突破性穩定生存分析：應對多中心與大規模異質數據的全新方法

清華大學與國家蛋白質科學中心（北京）聯合在全球頂級期刊“Nature Machine Intelligence”發表的研究成果。

原標題：Nature 子刊發表穩定學習新進展：面向多中心、大隊列異質數據的「穩定」生存分析方法
文章來源：AI科技評論
內容字數：5018字

崔鵬團隊的穩定生存分析方法研究

近期，清華大學崔鵬團隊與國家蛋白質科學中心（北京）常乘團隊聯合在《Nature Machine Intelligence》上發表了題為“Stable Cox Regression for Survival Analysis under Distribution Shifts”的研究論文。這項研究基于穩定學習理論，提出了Stable Cox模型，旨在發現穩定的預后標志物，以應對生存分析中的多中心異質性數據問題。

1. 生存分析中的挑戰

生存分析是評估協變量對發生時間影響的重要統計方法，廣泛應用于醫學、公共衛生等領域。Cox回歸模型作為生存分析中的主流工具，能夠同時分析多種因素對生存期的影響。然而，現有方法通常假設訓練和測試數據的分布相似，這在實際應用中常常不成立，導致模型泛化性差，特別是在個性化醫療等高風險領域。

2. Stable Cox模型的創新

為了解決上述問題，研究團隊提出了Stable Cox模型，該模型的核心在于消除不穩定協變量與生存結果之間的虛假相關性。該方法包括兩個階段：首先，通過樣本加權使協變量；其次，在加權的Cox回歸階段，利用樣本權重重加權損失函數，從而有效分離每個變量對生存輸出的影響。研究表明，即使在模型錯估的情況下，Stable Cox模型依然能夠識別出穩定的變量進行預測。

3. 實驗結果與應用

研究團隊在肝癌、乳腺癌、黑色素瘤等多種癌癥的組學數據及臨床生存數據上進行了廣泛實驗，結果顯示Stable Cox模型在多個測試群體中展現出強大的泛化能力，平均提升6.5%-13.9%。此外，該模型所學得的權重系數可用于發現潛在的組合標志物，為生存風險顯著不同的亞型提供分組依據，具有重要的臨床應用價值。

4. 結論與展望

本研究表明，穩定生存分析方法能夠提高標志物識別的泛化能力，克服傳統技術在多樣化樣本中的局限性。這為疾病的早期準確診斷提供了新技術支持，也呼吁研究界關注機器學習方法在醫療領域的穩定性與可靠性。未來，研究團隊將繼續探索如何在異質性數據中精確識別生物標志物，以滿足社會對健康保障的需求。

聯系作者

文章來源：AI科技評論
作者微信：
作者簡介：雷峰網旗下AI新媒體。聚焦AI前沿研究，關注AI工程落地。