Confirmatory Biomarker Identification with k-FWER Control Using Derandomized Knockoffs with Cox Regression
基于去随机化 Knockoffs 与 Cox 回归的 k-FWER 控制确认性生物标志物识别AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主题为高维生存分析中的变量选择与错误率控制方法，属于生物统计/统计方法方向，与所列微观、宏观、金融等经济学领域细分无直接文本依据，故不选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于去随机化 Knockoffs 与 Cox 回归的 k-FWER 控制确认性生物标志物识别
- 研究问题
- 摘要称，研究如何在高维生存分析中选出重要特征以识别确认性生物标志物，同时严格控制 k-族错误率（k-FWER）。
- 方法与思路
- 作者提出面向 Cox 回归的去随机化 knockoffs 程序，通过对多个随机 knockoff 实现进行聚合，以缓解常规 knockoffs 的选择不稳定性，并称方法适用于连续与分类协变量。
- 材料陈述的贡献
- 摘要称该方法在模拟中于选择功效与错误控制上稳定优于标准 knockoffs，并应用于原发性胆汁性肝硬化（PBC）临床数据，识别与患者生存相关的预后生物标志物。
- 阅读关注点
- 应核对 k-FWER 控制的理论保证与所需假设、聚合多个 knockoff 实现的具体规则、模拟设计及与标准 knockoffs 的比较条件，以及 PBC 数据中变量的筛选与稳定性度量。
- 阅读边界
- 仅凭摘要无法判断定理条件、模拟规模、真实数据结论的稳健性及可复现性；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Selecting important features in high-dimensional survival analysis is critical for identifying confirmatory biomarkers while maintaining rigorous error control. In this paper, we propose a derandomized knockoffs procedure for Cox regression that enhances stability in feature selection while maintaining rigorous control over the k-familywise error rate (k-FWER). By aggregating across multiple randomized knockoff realizations, our approach mitigates the instability commonly observed with conventional knockoffs. Through extensive simulations, we demonstrate that our method consistently outperforms standard knockoffs in both selection power and error control. Moreover, we apply our procedure to a clinical dataset on primary biliary cirrhosis (PBC) to identify key prognostic biomarkers associated with patient survival. The results confirm the superior stability of the derandomized knockoffs method, allowing for a more reliable identification of important clinical variables. Additionally, our approach is applicable to datasets containing both continuous and categorical covariates, broadening its utility in real-world biomedical studies. This framework provides a robust and interpretable solution for high-dimensional survival analysis, making it particularly suitable for applications requiring precise and stable variable selection.