Sparse Additive Mixture Cure Models for Right-Censored Survival Data

We propose a sparse additive mixture cure modeling framework for right-censored survival data with a cured fraction. Compared to existing methods, the proposed framework allows feature selection for nonlinear covariate effects in the cure model. We consider three regularization penalty options: SPAM, SSP, and trend filtering (TF) in a penalized EM algorithm to estimate the model, where the M-step solves separate penalized optimization problems for both incidence and latency submodels. A proximal gradient-based method is developed to efficiently handle the Cox partial likelihood and support all three penalties within a unified optimization routine. In simulation studies, we demonstrate the performance of the proposed framework in terms of variable selection accuracy, recovery of nonlinear effects, and prediction across varying signal strengths, cure proportions, and censoring rates. We further illustrate the proposed framework using a real-world dataset.

Modèles de guérison par mélange additif clairsemé pour les données de survie censurées à droite

Nous proposons un cadre de modélisation par mélange additif clairsemé pour les données de survie censurées à droite avec une fraction guérie. Par rapport aux méthodes existantes, le cadre proposé permet la sélection de caractéristiques pour les effets non linéaires de covariables dans le modèle de guérison. Nous envisageons trois options de pénalité de régularisation : SPAM, SSP et filtrage de tendance (TF) dans un algorithme EM pénalisé pour estimer le modèle, où l'étape M résout des problèmes d'optimisation pénalisés distincts pour les sous-modèles d'incidence et de latence. Une méthode basée sur le gradient proximal est développée pour traiter efficacement la vraisemblance partielle de Cox et prendre en charge les trois pénalités dans une routine d'optimisation unifiée. Dans des études de simulation, nous démontrons les performances du cadre proposé en termes de précision de la sélection des variables, de récupération des effets non linéaires et de prédiction pour différentes intensités de signal, proportions de guérison et taux de censure. Nous illustrons en outre le cadre proposé à l'aide d'un ensemble de données réelles.

Session

Student Research Presentation Award Competition in Biostatistics III

Date and Time