抽样偏了，生存预测还能准吗：加权提升机在铀矿工数据上与Cox模型打平

按结局抽样的研究现在可以直接训练生存预测模型，而不必把样本当作简单随机抽样处理。 此前这类设计的方法工作集中在比例风险、加性风险、Cox与加速失效时间模型的参数估计和推断上，生存预测受到的关注有限。 模拟覆盖指数与Weibull失效时间、线性与非线性协变量效应、维度10、200、400，每个情景500次重复，并与同一抽样设计下的Cox模型比较。

方法把抽样权重放进提升机的每一轮拟合，使模型朝目标队列而非抽样样本的分布优化。 所用权重沿用该抽样设计下已有的权重函数，提升机每轮按加权最小二乘逐个协变量计算更新，再以学习率缩放。 超参数由交叉验证的加权经验积分Brier风险最小化选出，学习率固定为0.1，迭代次数在50到2000之间网格搜索。

在铀矿工癌症数据上，加权提升机与Cox模型的预测几乎一致。 该应用维度较低，且协变量与风险的关系看起来接近Cox模型的线性对数风险假设，因此两者表现相当符合预期。 全队列16434名矿工、2330例癌症、其中1444例为目标癌种，子队列1839人，按60比40划分训练与测试，测试集C指数为0.803对0.801。

方法针对一般失效时间按结局抽样设计下的生存预测，适用于协变量采集受成本限制、需要向目标队列外推预测的流行病学与生物医学队列。模拟中子队列与补充病例均按伯努利抽样产生，与理论收敛性所依赖的假设一致；作者另做了固定样本量抽样的对照模拟，两种设定下预测表现几乎无差别。作者提出后续可扩展到时变协变量、其他按结局抽样设计以及生存数据的强化学习。

理论结果在若干正则条件下成立，包括子队列与各层补充病例按伯努利抽样、删失分布估计一致。真实数据应用中两种模型预测接近，作者将其归因于该数据维度较低且线性效应假设大致成立，因此这一应用并未展示提升机的相对优势。作者也指出，迭代次数过多会导致过拟合并降低预测精度。