🤖 machine learning

Tabular Foundation Models Can Do Survival Analysis

Este artículo demuestra que los modelos fundacionales tabulares pueden realizar eficazmente el análisis de supervivencia al reformular la predicción del tiempo hasta el evento como una serie de problemas de clasificación binaria para gestionar la censura, un método que modela directamente las probabilidades de fallo acumulado y supera empíricamente a los modelos de referencia existentes en 48 conjuntos de datos del mundo real.

Autores originales: Da In Kim, Wei Siang Lai, Kelly W. Zhang

Publicado 2026-07-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Da In Kim, Wei Siang Lai, Kelly W. Zhang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando resolver un misterio: "¿Cuándo ocurrirá el evento?". En el mundo de la ciencia de datos, esto se llama análisis de supervivencia. No se trata solo de predecir si algo sucederá —como si una bombilla se fundirá— sino de cuándo sucederá. Esto es crucial en campos como la medicina (prediciendo cuándo un paciente podría recaer), la ingeniería (averiguando cuándo fallará una pieza de una máquina) o incluso los negocios (adivinando cuándo un cliente podría abandonar).

Sin embargo, hay un giro truculento en este misterio: el censura. Imagina que estás observando una carrera, pero algunos corredores abandonan el estadio antes de cruzar la línea de meta. Sabes que todavía estaban corriendo cuando se fueron, pero no sabes cuándo habrían terminado. En términos de datos, esto es "censura por la derecha". El evento aún no ha ocurrido para estas personas, o perdimos el rastro de ellas. Las herramientas matemáticas tradicionales suelen tener dificultades con esta información faltante, requiriendo a menudo fórmulas especiales y complejas construidas desde cero para cada nuevo problema.

Entran en escena los Modelos Fundacionales Tabulares (TFM). Piensa en ellos como detectives superinteligentes y preentrenados. Ya han leído millones de diferentes "expedientes de casos" (conjuntos de datos) sobre todo, desde precios de viviendas hasta patrones climáticos. Son expertos en detectar patrones en tablas de números sin necesidad de ser reentrenados para cada nuevo misterio. La gran pregunta que los científicos se han estado haciendo es: ¿Pueden estos detectives de propósito general resolver el misterio "censurado" del análisis de supervivencia sin necesidad de un título especial en la materia?

La gran idea del artículo: Convertir un misterio en una serie de preguntas de Sí/No

Los investigadores del Imperial College London decidieron probar un truco ingenioso. En lugar de pedirle al detective superinteligente que adivine el momento exacto de un evento (lo cual es difícil cuando el reloj puede detenerse antes de tiempo), reformularon todo el problema. Convirtieron la compleja pregunta de "¿cuándo ocurrirá?" en una serie de sencillas preguntas de Sí/No.

Imagina que le preguntas a un amigo: "¿Terminará la película a las 5 PM?". Luego, "¿Terminará a las 6 PM?". Luego, "¿A las 7 PM?". Si puedes responder estas preguntas simples correctamente, puedes descifrar toda la línea de tiempo.

Los autores tomaron esta idea y la aplicaron a los datos de supervivencia. Fragmentaron la línea de tiempo en pequeños trozos discretos (como rebanar una hogaza de pan). Para cada trozo de tiempo, le hicieron al modelo una pregunta binaria: "¿Ha ocurrido el evento para este momento?"

Sí: El evento ocurrió.
No: El evento aún no ha ocurrido.

Aquí está la parte mágica: si los datos están "censurados" (el corredor abandonó el estadio), el modelo simplemente trata las preguntas futuras como "etiquetas faltantes". No se confunde; simplemente ignora las preguntas para los períodos de tiempo después de que el corredor se fue. Esto permite que el modelo utilice sus habilidades estándar de entrenamiento de "Sí/No" para resolver un problema de supervivencia, sin necesidad de ningún entrenamiento especial específico de supervivencia.

Lo que descubrieron: El truco "acumulativo" funciona mejor

El equipo probó esta idea en 48 conjuntos de datos del mundo real (43 estáticos y 5 dinámicos donde la información cambia con el tiempo). Compararon su método contra los expertos de la vieja escuela (como los modelos de Cox) y los nuevos modelos de aprendizaje profundo (como DeepHit).

Esto es lo que descubrieron:

El enfoque de "Sí/No" gana: Cuando utilizaron la pregunta simple de "¿Ha ocurrido ya?" (que llaman modelado de Falla Acumulativa), sus modelos fundacionales tabulares listos para usar (específicamente uno llamado MITRA) superaron a casi todo lo demás. Fue el mejor en rendimiento promedio en todos los conjuntos de datos.
La forma antigua tiene un fallo: Había otra forma de hacer la pregunta: "¿Ocurrió el evento exactamente en este segmento de tiempo específico?" (esto se llama modelado de Riesgo Discreto o Discrete Hazard). El artículo encontró que, si bien esto funcionaba bien para unos pocos segmentos de tiempo, se desmoronaba a medida que se añadían más segmentos. ¿Por qué? Porque los pequeños errores al adivinar el primer segmento se multiplicaban y empeoraban a medida que avanzabas en la línea, como un juego del "teléfono descompuesto" donde el mensaje se distorsiona. El método "Acumulativo" evitó esto al mirar la imagen completa hasta ese punto, lo que lo hace mucho más robusto.
Sin necesidad de entrenamiento: ¿La mejor parte? No tuvieron que reentrenar los modelos. Simplemente introdujeron los datos y los modelos utilizaron sus capacidades existentes de "aprendizaje en contexto" para resolver el problema de inmediato. Es como entregarle un expediente de caso nuevo a un detective preentrenado y que resuelva el caso instantáneamente porque ya conoce las reglas del juego.

La prueba y los límites

Los autores no solo conjeturaron; demostraron matemáticamente que, si tienes suficientes datos, minimizar el error en estas simples preguntas de "Sí/No" te llevará a las verdaderas probabilidades de supervivencia. Demostraron que los modelos probados estaban, de hecho, mejorando sus predicciones de probabilidad a medida que crecían los conjuntos de datos.

Sin embargo, fueron cuidadosos al señalar los límites. Este método depende del supuesto de que los "abandonos" (censura) son aleatorios y no están relacionados con el evento en sí. Si los corredores que abandonaron el estadio fueron precisamente los que estaban secretamente lesionados y habrían terminado de último, el modelo podría confundirse. El artículo también señaló que convertir el tiempo continuo en segmentos (discretización) pierde un poco de precisión, pero el intercambio valía la pena por las enormes ganancias en exactitud y velocidad.

Al final, este artículo sugiere que no necesitamos construir un cerebro nuevo y especializado para cada problema de supervivencia. A veces, la mejor manera de resolver un complejo misterio de "¿cuándo?" es simplemente hacer una serie de preguntas sencillas de "sí o no", dejando que nuestros detectives de IA preentrenados hagan el trabajo pesado.

Resumen Técnico: Los Modelos Fundacionales Tabulares Pueden Realizar Análisis de Supervivencia

Planteamiento del Problema
El análisis de supervivencia, o análisis de tiempo hasta un evento, tiene como objetivo modelar cuándo ocurre un evento de interés en lugar de simplemente si este ocurre. Un desafío definitorio en este dominio es la censura por la derecha, donde el periodo de observación termina antes de que ocurra el evento, dejando desconocido el tiempo real del evento. Si bien los Modelos Fundacionales Tabulares (TFM, por sus siglas en inglés) han logrado un éxito notable en tareas de clasificación y regresión —superando a menudo a métodos como XGBoost en regímenes de pocos datos—, adaptar los TFM al análisis de supervivencia no es trivial. Las arquitecturas de regresión estándar no pueden contabilizar de forma nativa la censura, y los modelos existentes específicos para la supervivencia suelen requerir entrenamiento desde cero en conjuntos de datos individuales, lo que limita su utilidad en entornos de pocos datos. Además, mientras que los TFM se evalúan mediante la precisión o el error cuadrático medio, el modelado de supervivencia requiere probabilidades bien calibradas para caracterizar la dinámica de riesgo a lo largo del tiempo.

Metodología
Los autores proponen un marco que reformula el análisis de supervivencia como una serie de problemas de clasificación binaria para aprovechar los TFM listos para usar mediante el aprendizaje en contexto (in-context learning), sin requerir preentrenamiento específico de supervivencia, ajuste fino (fine-tuning) o cambios arquitectónicos.

Discretización Temporal: El horizonte de tiempo continuo se particiona en $K$ intervalos discretos.
Formulación de Falla Acumulada: A diferencia de los enfoques tradicionales que modelan la tasa de riesgo discreta (la probabilidad de que ocurra un evento en un intervalo específico dado que se ha sobrevivido hasta ese punto), este método modela directamente la probabilidad de falla acumulada. Para cada punto en el tiempo $t_k$ , se define una etiqueta binaria $Y_{i,k}$ como $1(T_i \le t_k)$ , que indica si el evento ha ocurrido para el tiempo $t_k$ .
Manejo de la Censura: Las observaciones censuradas se tratan como ejemplos con etiquetas faltantes en los puntos temporales más allá del tiempo de censura. El objetivo de entrenamiento es una pérdida de entropía cruzada binaria estándar, restringida únicamente a las etiquetas observadas (donde $t_k < C_i$ ).
Aprendizaje en Contexto: El conjunto de datos reformulado (características, puntos temporales y etiquetas binarias) se introduce en un TFM (por ejemplo, MITRA, TabPFN) o en un clasificador estándar (XGBoost). El modelo aprende a predecir la probabilidad de falla para un tiempo $t_k$ dado las covariables.
Extensión Dinámica: Para entornos dinámicos con covariables que varían en el tiempo, el modelo toma el historial de observaciones hasta el tiempo $t_k$ y predice la probabilidad de falla acumulada para un horizonte futuro $\Delta$ , condicionado a que el sujeto haya sobrevivido hasta el tiempo $t_k$ .

Garantías Teóricas
El artículo proporciona una prueba teórica (Teorema 4.2) que demuestra que, bajo el supuesto estándar de censura independientemente condicionada, la minimización de la propuesta pérdida de entropía cruzada binaria recupera las verdaderas probabilidades de supervivencia a medida que el tamaño del conjunto de entrenamiento tiende a infinito. Esto establece que la formulación de clasificación es estadísticamente consistente con el objetivo de supervivencia.

Contribuciones Clave

Formulación de Clasificación: Los autores introducen una formulación de clasificación específica que modela directamente las probabilidades de falla acumulada. Empíricamente, esto supera a las formulaciones basadas en tasas de riesgo discretas (que sufren de acumulación de error multiplicativo a medida que aumenta el número de intervalos) y a las formulaciones multiclase.
Prueba de Consistencia: Demuestran que la minimización de la pérdida de clasificación binaria produce estimaciones de probabilidad de supervivencia consistentes bajo supuestos de censura estándar.
Evaluación Empírica: El enfoque se evalúa en 48 conjuntos de datos del mundo real (43 estáticos y 5 dinámicos) del repositorio SurvSet. El estudio compara los TFM listos para usar utilizando esta formulación contra líneas base clásicas (CoxPH, Random Survival Forests) y modelos de aprendizaje profundo (DeepSurv, DeepHit, Joint Models).

Resultos

Entorno Estático: En 43 conjuntos de datos, los TFM utilizando la formulación de falla acumulada (específicamente MITRA-CF y XGBoost-CF) lograron el mejor rendimiento general en múltiples métricas (C-Index, AUC Integrado, Brier Score Integrado). La formulación CF demostró ser más robusta al número de intervalos de discretización ( $K$ ) en comparación con los enfoques basados en el riesgo (DH), que se degradaron a medida que $K$ aumentaba debido a la acumulación de errores.
Entorno Dinámico: En 5 conjuntos de datos dinámicos, MITRA-CF superó a todas las líneas base, incluyendo CoxPH/RSF con hito (landmarked) y Dynamic DeepHit. Los resultados sugieren que los sesgos temporales integrados en los TFM son particularmente efectivos para modelar las complejidades de los datos longitudinales.
Correlación de Métricas: El estudio encontró una fuerte correlación ( $r=0.89$ ) entre la pérdida de entropía cruzada binaria y el Brier Score Integrado, lo que respalda la afirmación teórica de que la optimización del objetivo de clasificación mejora directamente la calibración de la probabilidad de supervivencia.

Significado y Reivindicaciones
El artículo afirma que las capacidades de análisis de supervivencia pueden extraerse de modelos fundacionales tabulares listos para usar a través de una simple reformulación de clasificación binaria. Este enfoque ofrece una alternativa computacionalmente eficiente para entrenar modelos de supervivencia especializados desde cero, particularmente en regímenes de pocos datos donde los modelos fundacionales sobresalen.

Los autores distinguen su trabajo de esfuerzos concurrentes (Survival In-Context y SurvivalPFN) que preentrenan transformadores específicamente en tareas de supervivencia sintéticas. En contraste, este trabajo demuestra que los TFM de propósito general, sin ningún preentrenamiento específico de supervivencia ni modificación arquitectónica, pueden lograr un rendimiento de vanguardia en tareas de supervivencia cuando se les proporciona la formulación de clasificación correcta. El método es flexible respecto al número de intervalos temporales y aplicable tanto a entornos estáticos como dinámicos, aunque sigue limitado a escenarios que cumplen con el supuesto de censura independientemente condicionada.

La gran idea del artículo: Convertir un misterio en una serie de preguntas de Sí/No

Lo que descubrieron: El truco "acumulativo" funciona mejor

La prueba y los límites

Más como este