scikit-survival：Python 生存分析完整解决方案

技能概述

scikit-survival 是基于 scikit-learn 构建的 Python 生存分析库，专门用于处理时间到事件数据和截尾数据建模，提供从 Cox 比例风险模型到随机生存森林的完整工具链。

适用场景

1. 医学与临床研究分析

scikit-survival 非常适合医学研究人员分析临床试验数据，特别是在处理患者生存时间、疾病复发时间等时间到事件数据时。库内置了处理右截尾数据的专用方法，并支持 Cox 模型、随机生存森林等多种算法，能够准确评估治疗效果和预测患者预后。对于包含竞争风险的复杂临床场景（如不同原因导致的死亡），scikit-survival 提供了专门的分析方法。

2. 高维生物信息学数据处理

面对基因表达、蛋白质组学等高维生物医学数据时，scikit-survival 的 CoxnetSurvivalAnalysis（正则化 Cox 模型）能够有效进行特征选择和降维。该技能集成了完整的预处理流程，包括特征标准化、缺失值处理和数据质量验证，特别适合处理特征数量远超样本数量的高维场景。同时，通过与 scikit-learn 的无缝集成，可以轻松构建复杂的分析管道。

3. 多模型对比与性能评估

当需要为项目选择最佳生存分析模型时，scikit-survival 提供了多种模型类型和全面的评估工具。技能包含了 Cox 模型、随机生存森林、梯度提升、生存 SVM 等多种算法，支持通过交叉验证进行系统性的模型对比。内置了 Uno 一致性指数、时间依赖性 AUC、Brier 评分等专业评估指标，确保即使在高度截尾的数据上也能获得可靠的性能评估。

核心功能

1. 多样化生存建模算法

scikit-survival 提供了完整的生存分析模型生态系统，包括可解释性强的 Cox 比例风险模型（标准版和正则化版）、适合复杂非线性关系的随机生存森林和梯度提升模型，以及针对中等规模数据集优化的生存支持向量机。每种模型都经过精心设计，支持与 scikit-learn 生态系统的 Pipeline、GridSearchCV 等工具无缝协作，让模型训练、调优和评估变得高效便捷。

2. 专业的截尾数据处理与评估

库内置了专门针对截尾数据的评估指标，包括 Harrell 一致性指数（适用于低截尾率）和更稳健的 Uno 一致性指数（适用于中高截尾率），以及时间依赖性 AUC 和积分 Brier 评分。这些指标准确反映了模型在真实场景中的预测能力。同时提供了 Kaplan-Meier 和 Nelson-Aalen 等非参数估计方法，用于生存函数的探索性分析，为建模提供数据洞察。

3. 竞争风险与高维数据支持

针对实际应用中的复杂场景，scikit-survival 提供了累积发病率函数等竞争风险分析方法，准确处理多个互斥事件类型的情况。对于高维数据，正则化 Cox 模型（Coxnet）通过弹性网络正则化实现自动特征选择，特别适合基因组和临床数据的联合分析。库还包含了完整的参考文档，涵盖数据预处理、模型选择、评估指标等各个主题，为不同水平的用户提供详细指导。

常见问题

scikit-survival 和 scikit-learn 有什么区别？

scikit-survival 是专门为生存分析设计的扩展库，虽然基于 scikit-learn 构建，但处理的是普通机器学习库无法应对的截尾数据。scikit-learn 的分类和回归算法假设所有标签都是完全观测的，而生存数据中部分样本的事件时间未知（截尾），需要专门的建模方法。scikit-survival 填补了这个空白，同时保持了与 scikit-learn API 的一致性，可以直接使用 Pipeline、GridSearchCV 等工具，为熟悉 scikit-learn 的用户提供无缝的使用体验。

如何处理截尾的生存数据？

scikit-survival 使用专门的 Surv 对象来表示生存数据，将事件指示器和时间结合在一起。对于右截尾数据（最常见的截尾类型），库的评估指标会自动正确处理截尾样本，不会将它们误认为是完整观测的事件。在数据预处理阶段，需要特别检查数据质量，确保没有负的时间值，并确保每个特征有足够的事件数（通常建议每个特征至少 10 个事件）。在进行训练测试划分时，还应注意保持各子集的截尾率相似，以避免评估偏差。

什么时候应该使用 Uno 一致性指数？

当数据的截尾率超过 40% 时，应该优先使用 Uno 一致性指数（通过 concordance_index_ipcw 函数计算）而不是传统的 Harrell C 指数。Harrell C 指数在高截尾情况下会产生过高的估计，而 Uno C 指数通过逆概率加权 censoring（IPCW）校正了这种偏差，提供更稳健的评估。值得注意的是，计算 Uno C 指数需要同时传入训练集和测试集的生存数据（y_train 和 y_test），因为权重估计需要训练集信息。对于低截尾率的数据（<40%），Harrell C 指数仍然是合适且计算更高效的选择。