多模型机器学习生存预测分析：AUC比较、生存分层与SHAP解释摘要生存分析是医学和临床研究中评估患者预后、预测事件发生时间的关键方法。传统的Cox比例风险模型虽广泛使用，但难以捕捉临床数据中普遍存在的非线性关系和特征交互。随着机器学习技术的发展，随机生存森林、梯度提升模型等多种算法被引入生存分析领域，但如何在多个模型中选出最优者、如何将模型预测结果转化为有临床意义的生存分层、以及如何解释复杂模型的黑箱决策过程，仍是实践中的核心挑战。本文以心脏病预后预测为研究场景，系统构建了逻辑回归、随机森林、XGBoost、LightGBM和梯度提升机五类二分类预测模型，通过交叉验证评估各模型的AUC并选择最优模型，随后基于最优模型的预测概率对患者进行高/低风险分层并实施Kaplan-Meier生存分析和log-rank检验，最后运用SHAP方法从全局和局部两个维度对最优模型进行可解释性分析。全部代码均附详细注释，旨在为生存预测建模提供一个可复现的技术范本。关键词：生存分析；机器学习；AUC比较；风险分层；SHAP；Kaplan-Meier；log-rank检验1 引言1.1 研究背景与问题提出生存分析在医学研究中占据核心地位，其核心任务是预测患者从某一基准时间点到发生目标事件（如死亡、复发）的时间。传统的生存分析方法主要包括Kaplan-Meier估计器、log-rank检验和Cox比例风险模型。其中，Cox模型假设协变量对风险函数的影响呈对数线性关系且风险比例恒定，这一假设在实际