Les méthodes d'estimation semi-paramétriques existantes pour les modèles de guérison reposent sur des hypothèses paramétriques restrictives, et les méthodes d'estimation non paramétriques existantes ne fonctionnent qu'avec des covariables uniques. Nous proposons une méthode basée sur un arbre de décision à amplification de gradient pour estimer le modèle de mélange de guérison. La nouvelle méthode hérite des caractéristiques de la méthode originale d'arbre de décision à amplification de gradient et fournit des estimations plus précises de la probabilité de guérison et du risque relatif pour les sujets non guéris que les méthodes existantes lorsqu'il n'y a pas d'hypothèses paramétriques a priori sur les formes d'effets covariables complexes dans le modèle. Cela est démontré par de faibles erreurs quadratiques moyennes dans les estimations de la probabilité de guérison, le score de risque relatif et la fonction de survie dans une étude de simulation avec de grands échantillons. La méthode permettrait également de traiter des covariables à haute dimension. La méthode proposée est illustrée par une étude sur un large échantillon de cas de cancer du côlon.