💻 computer science

SHIFT: Survival Prediction from Incomplete and Heterogeneous Genomic Data

L'article présente SHIFT, un modèle transformer sensible à l'absence de données qui permet une prédiction de survie robuste à travers des ensembles de données génomiques hétérogènes en traitant directement les entrées de caractéristiques incomplètes sans nécessiter d'imputation ni restreindre l'analyse aux gènes partagés.

Auteurs originaux : Muhammet Sami Yavuz, Ayhan Can Erdur, Sabri Mustafa Kahya, Benedikt Wiestler, Jana Lipkova

Publié 2026-07-10

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Muhammet Sami Yavuz, Ayhan Can Erdur, Sabri Mustafa Kahya, Benedikt Wiestler, Jana Lipkova

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de prédire combien de temps un patient pourrait vivre en se basant sur son « empreinte » génétique. Habitéralement, les médecins et les scientifiques sont confrontés à un énorme problème : chaque hôpital utilise un kit de test génétique différent. Un hôpital peut examiner 200 gènes, tandis qu'un autre n'en examine que 20. C'est comme essayer de cuisiner un gâteau en utilisant une recette qui liste 200 ingrédients, mais que votre épicerie locale ne vende que 20 d'entre eux.

Pendant longtemps, les scientifiques ont essayé de résoudre ce problème soit en écartant les patients qui n'avaient pas les 200 ingrédients complets (perdant ainsi des données précieuses), soit en devinant quels auraient pu être les ingrédients manquants (imputation). Mais deviner est risqué ; si vous vous trompez d'épice, votre gâteau aura un goût terrible et votre prédiction sera fausse.

Entrez en scène SHIFT, un nouveau modèle d'IA qui agit comme un chef extrêmement flexible. Au lieu d'avoir besoin de la liste complète des 200 ingrédients pour commencer à cuisiner, SHIFT peut regarder n'importe quels ingrédients réellement présents dans la cuisine et faire une excellente prédiction immédiatement. Il ne devine pas ce qui manque ; il se concentre simplement sur ce qui est là.

Le tour de magie : Le masque de « l'absence »

Considérez SHIFT comme un détective qui porte des lunettes spéciales. Lorsque le détective examine les données génétiques d'un patient, si un gène est manquant (parce que l'hôpital ne l'a pas testé), les lunettes transforment simplement cet emplacement en une tache noire. Le détective ignore les taches noires et résout le mystère en utilisant uniquement les indices visibles.

L'article montre que ce détective est incroyablement intelligent. Lors de tests avec deux types de cancer — le glioblastome (un cancer du cerveau) et le carcinome épidermoïde du poumon — SHIFT a fonctionné aussi bien que les meilleures méthodes traditionnelles lorsque toutes les données étaient parfaites. Mais quand les données étaient désordonnées et qu'il manquait d'énormes segments (comme dans l'étude sur le cancer du poumon où un groupe manquait de 175 gènes sur 197, soit 88,8 % des données !), SHIFT n'a pas trébuché.

Alors que d'autres méthodes tentaient de « combler les vides » par des suppositions (comme deviner les gènes manquants en se basant sur les voisins), SHIFT a simplement utilisé les données réelles dont il disposait. Dans le test sur le cancer du poumon, SHIFT a égalé la performance de la meilleure méthode de supposition sans jamais faire une seule supposition.

S'entraîner avec des « bandeaux »

Comment le détective est-il devenu si doué pour ignorer les indices manquants ? Les auteurs ont utilisé une astuce d'entraînement ingénieuse appelée Masquage à Taux Variable (VRM - Variable-Rate Masking).

Imaginez que vous entraînez un élève pour un examen de mathématiques. Habitéralement, vous lui donnez la feuille d'exercices complète. Mais avec le VRM, l'enseignant cache aléatoirement différents nombres sur la feuille pour chaque problème de pratique. Parfois, ils cachent un nombre, parfois la moitié de la page. L'élève apprend à résoudre le problème en utilisant quels que soient les nombres restés visibles.

L'article suggère que cet entraînement par « bandeau » rend le modèle beaucoup plus robuste. Même lorsqu'il est testé plus tard avec une feuille d'exercices complète (sans données manquantes), il est plus performant que les modèles qui ont été entraînés sans les bandeaux. C'est comme un élève qui, en s'exerçant avec des nombres manquants, devient si bon en logique qu'il réussit l'examen même quand tous les nombres sont présents.

Le coéquipier « incomplet »

Voici une autre découverte surprenante : vous n'avez pas besoin de mettre à l'écart les données incomplètes.

Dans l'étude, les chercheurs ont tenté d'ajouter un groupe de patients qui n'avaient que 22 gènes testés (sur les 197 habituels) dans le mélange d'entraînement. Normalement, les scientifiques jetteraient ce groupe car leurs données sont « trop incomplètes ». Mais l'article suggère que lorsqu'on utilise SHIFT, on peut réellement utiliser ce groupe incomplet pour aider le modèle à apprendre.

Lorsque ces 102 patients aux données limitées ont été ajoutés à l'entraînement, les prédictions du modèle pour un groupe de patients totalement différent (la cohorte CPTAC) se sont légèrement améliorées. Les auteurs suggèrent que même un ensemble de données « à moitié vide » peut apprendre quelque chose d'utile au modèle si celui-ci sait comment gérer les pièces manquantes.

Ce que cela ne signifie pas

Il est important de savoir ce que cet article ne dit pas.

Il ne dit pas que SHIFT est un remède miracle contre le cancer. Il prédit seulement le risque de survie.
Il ne dit pas que cela fonctionne pour chaque type de cancer pour le moment. Les auteurs l'ont testé uniquement sur les cancers du cerveau et du poumon.
Il ne dit pas qu'il faut abandonner totalement les autres méthodes. L'article suggère que SHIFT est une alternative solide, surtout quand les données sont désordonnées, mais admet que des tests supplémentaires sur différentes maladies sont nécessaires.
Il ne prétend pas que la supposition (imputation) est toujours mauvaise. Il montre simplement que lorsque les données manquantes sont massives et structurelles (comme une section entière du génome qui n'a jamais été testée), la supposition est moins fiable que l'utilisation directe de ce que l'on possède.

L'essentiel

L'article suggère que nous pouvons construire un modèle d'IA unique et intelligent qui fonctionne à travers différents hôpitaux, même si ces hôpitaux utilisent des kits de tests génétiques différents. En apprenant au modèle à ignorer les données manquantes plutôt qu'à les deviner, et en l'entraînant avec des « bandeaux » pour le rendre plus robuste, nous pouvons inclure plus de patients dans nos études et obtenir de meilleures prédictions. C'est un pas vers une médecine de précision accessible à tous, et pas seulement aux quelques privilégiés qui possèdent le kit de test génétique parfait.

Résumé Technique : SHIFT – Prédiction de la survie à partir de données génomiques incomplètes et hétérogènes

1. Énoncé du problème

Les modèles de prédiction génomique de la survie des patients échouent souvent à se généraliser entre les institutions médicales en raison de l'absence structurelle de caractéristiques (structural feature missingness). Contrairement aux données manquantes aléatoires, l'absence de données génomiques est souvent systématique : différents centres utilisent différents panels de séquençage, mesurant des sous-ensembles distincts de gènes. Cela crée un scénario où un modèle entraîné sur un panel large (par exemple, 197 gènes) ne peut pas être directement déployé sur un site utilisant un panel étroit (par exemple, 22 gènes) sans perte de données significative ou imputation.

Les approches existantes pour relever ce défi reposent généralement sur l'une des trois stratégies sous-optimales suivantes :

Restreindre l'analyse aux intersections de caractéristiques partagées entre toutes les cohortes, écartant ainsi des données génomiques potentiellement informatives.
Exclure les patients présentant des profils incomplets, ce qui réduit la taille et la diversité de la cohorte tout en amplifiant le biais de sélection.
Imputation au moment du test (ex: KNN, imputation par la moyenne), ce qui peut fausser les signaux biologiques, introduire des biais et halluciner des caractéristiques cliniquement pertinentes, particulièrement lorsque de larges blocs de caractéristiques sont structurellement absents.

L'article soutient que ces limitations entravent le déploiement de modèles de survie robustes et multicentriques en oncologie de précision.

2. Méthodologie : Le modèle SHIFT

Les auteurs proposent SHIFT (Survival prediction Handling Incomplete Features using Transformer), un modèle de survie conscient de l'absence de données, conçu pour prédire les résultats directement à partir d'entrées génomiques incomplètes sans imputation au moment du test.

Architecture

SHIFT est une architecture basée sur les Transformers, adaptée aux données génomiques tabulaires, composée de trois éléments principaux :

Bloc d'encodage des caractéristiques (Feature Embedding Block) : Au lieu de traiter le vecteur génomique complet conjointement, SHIFT mappe chaque variable génomique de manière indépendante en une représentation de jeton (token) en utilisant un bloc de Réseau Auto-Normalisant (SNN) (Linéaire $\to$ SELU $\to$ AlphaDropout). Chaque caractéristique $x_l$ est encodée via un $SNN(1, D)$ dédié où $D=128$ . Les caractéristiques manquantes sont remplies par des zéros comme marqueurs de substitution (placeholders), mais ne sont pas traitées comme des entrées valides.
Encodeur Transformer masqué (Masked Transformer Encoder) : Un encodeur Transformer à 2 couches traite la séquence de jetons de caractéristiques. Crucialement, il emploie un masque d'absence ( $M$ ) comme masque de masquage de remplissage (key-padding mask). Cela garantit que les jetons correspondant aux caractéristiques manquantes sont exclus du mécanisme d'auto-attention. Par conséquent, le jeton [CLS] apprenable agrège l'information uniquement à partir des variables génomiques observées. Les plongements positionnels (positional embeddings) sont omis car les caractéristiques génomiques ne possèdent pas d'ordre séquentiel naturel.
Bloc de prédiction de la survie (Survival Prediction Block) : La représentation [CLS] finale passe par un SNN et une couche linéaire pour produire des logits pour $K=4$ intervalles de temps discrets. Une activation sigmoïde convertit ceux-ci en probabilités de risque (hazard probabilities) discrètes. Le modèle est entraîné de bout en bout à l'aide d'une perte de log-vraisemblance négative à temps discret, qui prend en compte les données censurées.

Stratégie d'entraînement : Masquage à taux variable (Variable-Rate Masking - VRM)

Pour améliorer la robustesse face à l'hétérogénéité des données manquantes, les auteurs introduisent le Masquage à Taux Variable (VRM) pendant l'entraînement.

Pour chaque époque d'entraînement et chaque patient, une fraction aléatoire de caractéristiques ( $k_i$ ) est masquée, où $k_i$ est échantillonnée à partir d'une distribution uniforme jusqu'à une fraction de masquage maximale $f$ .
Cela force le modèle à apprendre les relations entre les caractéristiques à partir d'entrées partiellement observées, simulant la variabilité observée entre les différentes institutions.
Le réglage par défaut utilise $f=0,5$ , ce qui signifie que jusqu'à 50 % des caractéristiques sont aléatoirement masquées pendant l'entraînement.
Crucialement, le VRM n'est utilisé que pendant l'entraînement. Lors de l'inférence, le modèle gère naturellement les caractéristiques manquantes via le masque d'absence, ne nécessant aucune imputation.

3. Contributions clés

Modèle SHIFT : Introduction d'un modèle basé sur les Transformers capable de prédire la survie à partir de données génomiques incomplètes sans imputation, en utilisant l'auto-attention masquée pour se concentrer uniquement sur les entrées observées.
Masquage à Taux Variable (VRM) : Une stratégie d'entraînement qui améliore la robustesse du modèle face aux décalages entre cohortes en exposant le modèle à divers sous-ensembles de caractéristiques observées pendant l'entraînement.
Modélisation inclusive : Démonstration que des cohortes sévèrement incomplètes (par exemple, avec 88 % de caractéristiques manquantes) peuvent être incluses dans le développement du modèle pour améliorer les performances sur des données externes, plutôt que d'être écartées.

4. Résultats expérimentaux

Les auteurs ont évalué SHIFT sur deux types de cancers : le Glioblastome (GBM) et le Carcinome Épidermoïde du Poumon (LUSC), en utilisant des cohortes publiques (TCGA, CPTAC) et privées.

Performance sur les données complètes

Dans les contextes où les données d'entraînement et de test partagent le même espace de caractéristiques (absence de données manquantes), SHIFT (avec ou sans VRM) est compétitif face aux standards (CoxPH, RSF, DeepSurv, SNN).
Impact du VRM : Bien que SHIFT sans VRM soit compétitif, l'ajout du VRM améliore significativement la généralisation inter-institutionnelle (par exemple, de TCGA vers CPTAC/cohortes allemandes), suggérant que le VRM agit comme un régularisateur contre le surapprentissage (overfitting) sur des sous-ensembles spécifiques de caractéristiques.

Performance sur les données incomplètes (LUSC)

Scénario : La cohorte américaine ne disposait que de 22 des 197 caractéristiques disponibles (88,8 % d'absence structurelle).
Modèles de référence (Baselines) : Les modèles standards entraînés sur les 197 caractéristiques complètes nécessitaient une imputation par KNN ou par la moyenne au moment du test. Ces approches ont montré une grande sensibilité à la stratégie d'imputation, de nombreux modèles de référence se dégradant considérablement (par exemple, le SNN chutant à un C-index d'environ 0,42 avec KNN).
SHIFT : SHIFT-VRM, entraîné sur les 197 caractéristiques et évalué nativement sur la cohorte US de 22 caractéristiques (sans imputation), a obtenu la meilleure performance d'ensemble (C-index 0,570), égalant la plus forte base de référence imputée (CoxPH avec imputation par la moyenne) et surpassant la plupart des autres.
Contrôle : Lorsque tous les modèles étaient restreints aux 22 caractéristiques partagées, SHIFT-VRM n'a pas surpassé la meilleure base de référence (SNN), confirmant que l'avantage de SHIFT provient de sa capacité à exploiter des données d'entraînement plus riches tout en restant robuste aux contraintes de déploiement, plutôt que de l'architecture Transformer elle-même.

Entraînement multi-sites

Les auteurs ont testé si l'intégration de la cohorte incomplète US (22 caractéristiques) dans l'ensemble d'entraînement (aux côtés de TCGA) améliorait la performance sur la cohorte externe CPTAC.
Résultat : L'inclusion de la cohorte US incomplète a amélioré le C-index sur CPTAC de 0,602 (TCGA seul) à 0,629 (TCGA+US). Cela soutient l'idée que les cohortes partiellement observées fournissent des signaux utiles et ne doivent pas être exclues.

Étude d'ablation

La variation de la fraction de masquage $f$ a montré que $f=0,5$ offrait les performances les plus cohérentes entre les cohortes.
Le retrait du VRM ( $f=0,0$ ) a systématiquement affaibli la généralisation externe, même dans les cas où les données de test étaient complètes, confirmant le rôle du VRM en tant que régularisateur.

5. Signification et affirmations

L'article affirme que SHIFT offre une stratégie pratique pour la prédiction de la survie multicentrique en oncologie de précision en abordant l'« absence structurelle » inhérente à l'hétérogénéité des données génomiques.

Déploiement d'un modèle unique : Un seul modèle peut être entraîné sur des données hétérogènes et déployé dans différentes institutions possédant des panels de séquençage différents sans réentraînement spécifique au site ni imputation.
Robustesse à l'absence structurelle : Conditionner les prédictions uniquement sur les entrées observées (via le masquage) peut être aussi robuste, voire plus robuste, que de reconstruire de larges blocs de caractéristiques non mesurées via l'imputation, particulièrement lorsque l'absence de données est non aléatoire et structurelle.
Inclusivité des données : Cette étude remet en question la pratique consistant à exclure les cohortes incomplètes. En gérant l'absence de données de manière native, les modèles peuvent exploiter des données provenant de centres dotés de panels plus étroits, augmentant ainsi la taille de l'échantillon et la diversité sans compromettre la performance.

Les auteurs reconnaissent des limites, notamment la restriction à deux types de cancers, des tailles de cohortes externes modestes, et l'utilisation d'un masquage aléatoire plutôt que de motifs de masquage structurés par site. Cependant, ils concluent que la modélisation explicite de la disponibilité des caractéristiques est une voie viable vers des modèles de survie génomiques plus déployables et plus inclusifs.