🤖 AI

Towards end-to-end LLM-based censoring-aware survival analysis

यह शोध पत्र LLMSurvival को प्रस्तुत करता है, जो एक ऐसा फ्रेमवर्क है जो अनमॉडिफाइड (unmodified) लार्ज लैंग्वेज मॉडल्स को टाइम-टू-इवेंट प्रेडिक्शन को पेयरवाइज रैंकिंग टास्क के रूप में पुनर्गठित करके, टैबुलर क्लिनिकल डेटा पर एंड-टू-एंड, सेंसरिंग-अवेयर सर्वाइवल एनालिसिस करने में सक्षम बनाता है, और ICU मृत्यु दर एवं फ्रैक्चर जोखिम की भविष्यवाणी में पारंपरिक कॉक्स मॉडल्स और डीप लर्निंग बेसलाइन्स की तुलना में बेहतर प्रदर्शन प्राप्त करता है।

मूल लेखक: Yishu Wei, Hexin Dong, Yi Lin, Jiahe Qian, Yi Liu, Yifan Peng

प्रकाशित 2026-05-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yishu Wei, Hexin Dong, Yi Lin, Jiahe Qian, Yi Liu, Yifan Peng

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ LLMSurvival पेपर का विवरण दिया गया है, जिसे सरल अवधारणाओं और रोज़मर्रा के उदाहरणों के माध्यम से समझाया गया है।

बड़ी समस्या: "गायब समय" की पहेली (The "Missing Time" Puzzle)

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि मैराथन में कौन सबसे पहले फिनिश लाइन पार करेगा। एक सामान्य दौड़ में, आप सभी को फिनिश लाइन पार करते हुए देखते हैं और उनका समय रिकॉर्ड करते हैं।

लेकिन मेडिकल अध्ययनों (जिन्हें सर्वाइवल एनालिसिस कहा जाता है) में, चीजें पेचीदा होती हैं। कभी-कभी एक धावक (मरीज) दौड़ से जल्दी बाहर हो जाता है क्योंकि वह बीमार पड़ जाता है, या दौड़ खत्म हो जाती है इससे पहले कि वह उसे पूरा कर सके। हमें यह नहीं पता होता कि यदि वे दौड़ में बने रहते तो वे कब फिनिश लाइन पार करते। सांख्यिकी (statistics) में, इसे सेंसरिंग (censoring) कहा जाता है।

लंबे समय तक, शक्तिशाली AI टूल्स जिन्हें लार्ज लैंग्वेज मॉडल्स (LLMs) कहा जाता है—वही तकनीक जो चैटबॉट्स के पीछे है—इस पहेली को हल नहीं कर सके। वे टेक्स्ट पढ़ने और सवालों के जवाब देने में बहुत अच्छे हैं, लेकिन जब "उत्तर कुंजी" (answer key) गायब या अधूरी होती है, तो वे संघर्ष करते हैं। अधिकांश शोधकर्ताओं को AI का उपयोग केवल नोट्स पढ़ने के लिए करना पड़ता था और फिर डेटा को एक अलग, पुराने गणितीय मॉडल को वास्तविक भविष्यवाणी करने के लिए सौंपना पड़ता था।

समाधान: LLMSurvival

लेखकों ने LLMSurvival नामक एक नया फ्रेमवर्क बनाया है। AI से यह पूछने के बजाय कि, "इस मरीज को बीमार होने में कितने दिन लगेंगे?", उन्होंने सवाल ही बदल दिया।

उपमा: "कौन अधिक खराब स्थिति में है?" का खेल
कल्पना कीजिए कि आप एक डॉक्टर हैं जो दो मरीजों, मरीज A और मरीज B को देख रहे हैं।

पुराना तरीका: यह अनुमान लगाने की कोशिश करना कि मरीज A ठीक किस तारीख को बीमार होगा। (यह कठिन है यदि आपके पास सारा डेटा उपलब्ध न हो)।
LLMSurvival का तरीका: AI से पूछना: "मरीज A और मरीज B के बीच, किसकी बीमार होने की संभावना जल्द है?"

यह एक पेयरवाइज रैंकिंग (pairwise ranking) खेल है। भले ही हमें यह सटीक रूप से न पता हो कि मरीज A कब बीमार हुआ, लेकिन हम यह जान सकते हैं कि मरीज A, मरीज B के अध्ययन से बाहर होने से पहले बीमार हो गया था। AI के सीखने के लिए इतनी जानकारी पर्याप्त है।

यह कैसे काम करता है (चरण-दर-चरण)

संख्याओं को कहानियों में बदलना:
मेडिकल डेटा आमतौर पर स्प्रेडशीट्स (टेबल्स) में आता है जिसमें "आयु: 65" या "ब्लड प्रेशर: 120" जैसी संख्याएँ होती हैं। AI स्प्रेडशीट्स को अच्छी तरह से नहीं पढ़ सकता। इसलिए, सिस्टम इन पंक्तियों को एक कहानी में बदल देता है: "यह मरीज 65 वर्ष का है, इसका ब्लड प्रेशर उच्च है, और यह धूम्रपान करता है।" अब AI इसे एक किताब की तरह पढ़ सकता है।
ट्रेनिंग कैंप (पेयरवाइज तुलना):
AI को मरीजों के हजारों जोड़ों (pairs) दिखाकर प्रशिक्षित किया जाता है। इसे तय करना होता है: "किसका जोखिम अधिक है?"

यदि AI सही निर्णय लेता है, तो वह सीखता है।
यदि वह गलत होता है, तो वह अपने "मस्तिष्क" को एडजस्ट करता है।
महत्वपूर्ण बात यह है कि यह केवल उन मरीजों की तुलना करता है जहाँ परिणाम स्पष्ट है (जैसे, मरीज A निश्चित रूप से बीमार हुआ, जबकि मरीज B के अध्ययन से बाहर होने से पहले ही)। यह "गायब समय" की समस्या को दरकिनार कर देता है।

अंतिम परीक्षा (एंकर विधि - The Anchor Method):
जब एक नया मरीज आता है, तो AI किसी संख्या का अनुमान नहीं लगाता। इसके बजाय, यह इस नए मरीज की तुलना ट्रेनिंग डेटा से 50 "एंकर" (Anchor) मरीजों के एक निश्चित समूह से करता है।

प्रश्न: "क्या नया मरीज एंकर #1 की तुलना में अधिक जोखिम भरा है?" (हाँ/नहीं)
प्रश्न: "क्या नया मरीज एंकर #2 की तुलना में अधिक जोखिम भरा है?" (हाँ/नहीं)
...और इसी तरह 50 एंकर्स के लिए।
स्कोर: यदि AI 50 में से 40 एंकर्स के लिए "हाँ" कहता है, तो मरीज को हाई-रिस्क स्कोर (80%) मिलता है। यदि वह केवल 5 के लिए "हाँ" कहता है, तो स्कोर कम होता है।

क्या यह काम आया?

शोधकर्ताओं ने इसका परीक्षण दो बहुत अलग चिकित्सा परिदृश्यों पर किया:

ICU मॉर्टालिटी (ICU मृत्यु दर): यह अनुमान लगाना कि आईसीयू में भर्ती मरीज जल्द ही मृत्यु को प्राप्त होगा या नहीं।
फ्रैक्चर रिस्क (हड्डी टूटने का जोखिम): यह अनुमान लगाना कि एक बुजुर्ग व्यक्ति अगले कुछ वर्षों में हड्डी टूटने का शिकार होगा या नहीं।

परिणाम:

विशेषज्ञों से बेहतर: दोनों मामलों में, LLMSurvival ने उन मानक गणितीय मॉडलों (जैसे कॉक्स मॉडल) से बेहतर प्रदर्शन किया जिनका उपयोग डॉक्टर वर्तमान में करते हैं, और विशेषज्ञ स्कोर (जैसे ICU के लिए SAPS-II और हड्डियों के लिए FRAX) से भी बेहतर प्रदर्शन किया।
अन्य AI से बेहतर: इसने सर्वाइवल एनालिसिस के लिए विशेष रूप से डिज़ाइन किए गए अन्य डीप लर्निंग मॉडल्स को भी पीछे छोड़ दिया।
"क्यों": जब शोधकर्ताओं ने AI से उसके चुनाव के कारण पूछे, तो उसने तार्किक कारण दिए, जैसे "मरीज B का ऑक्सीजन स्तर कम है और उसे तेज बुखार है," जिससे पता चला कि वह वास्तव में मेडिकल कॉन्टेक्स्ट को समझ रहा था, न कि केवल अनुमान लगा रहा था।

यह क्यों महत्वपूर्ण है

"फीचर एक्सट्रैक्टर्स" का अंत: पहले, AI केवल नोट्स से जानकारी निकालने वाला एक सहायक था। अब, AI स्वयं भविष्यवाणी करने वाला डॉक्टर है।
लोकल और प्राइवेट: उपयोग किए गए मॉडल्स इतने छोटे हैं कि उन्हें बिना संवेदनशील मरीज डेटा को क्लाउड पर भेजे, एक सिंगल कंप्यूटर (जैसे अस्पताल में एक मानक सर्वर) पर चलाया जा सकता है।
लचीलापन: एक ही "खेल" (दो मरीजों की तुलना करना) तीव्र आईसीयू आपात स्थिति और धीमी गति से होने वाले फ्रैक्चर रिस्क, दोनों के लिए पूरी तरह से काम कर गया, जो साबित करता है कि यह तरीका बहुत अनुकूलनीय है।

संक्षेप में

यह पेपर सिद्ध करता है कि यदि आप AI से एक विशिष्ट तारीख बताने के लिए पूछना बंद कर दें (जो गायब डेटा के साथ कठिन है) और इसके बजाय दो लोगों की तुलना करने के लिए कहें (जो AI के समझने के लिए आसान है), तो आप एक अत्यधिक सटीक मेडिकल प्रेडिक्शन टूल बना सकते हैं जो गायब डेटा को स्वाभाविक रूप से संभाल सकता है और वर्तमान मानक तरीकों से बेहतर प्रदर्शन कर सकता है।

तकनीकी सारांश: LLMSurvival

समस्या विवरण
सर्वाइवल एनालिसिस (survival analysis) मेडिकल प्रेडिक्शन का एक आधार स्तंभ है, जिसका लक्ष्य घटना के होने और उसके होने तक के समय, दोनों को मॉडल करना है। हालाँकि, एंड-टू-एंड सर्वाइवल मॉडल के रूप में लार्ज लैंग्वेज मॉडल्स (LLMs) के अनुप्रयोग में सेंसरिंग (censoring) की चुनौती ने बाधा उत्पन्न की है। सेंसर्ड डेटा में, घटना का सटीक समय ज्ञात नहीं होता क्योंकि कोई व्यक्ति अध्ययन से हट सकता है या अवलोकन अवधि घटना होने से पहले ही समाप्त हो सकती है। स्पष्ट ग्राउंड-ट्रुथ लेबल की इस कमी के कारण मानक सुपरवाइज्ड फाइन-ट्यूनिंग (SFT) और रिइन्फोर्समेंट लर्निंग फ्रेमवर्क्स का सीधा उपयोग करना असंभव हो जाता है, जो निश्चित लक्ष्यों पर निर्भर करते हैं। फलस्वरूप, पूर्व शोधों ने LLMs को मुख्य रूप से फीचर एक्सट्रैक्टर की भूमिका तक सीमित रखा है या उनके ऊपर न्यूरल नेटवर्क जोड़ने जैसे पर्याप्त आर्किटेक्चरल संशोधनों की आवश्यकता जताई है, बजाय इसके कि LLM को प्राथमिक प्रेडिक्टिव इंजन के रूप में उपयोग किया जाए।

कार्यप्रणाली: LLMSurvival
लेखक LLMSurvival का प्रस्ताव करते हैं, जो एक ऐसा फ्रेमवर्क है जो बिना किसी संशोधन के सीधे टैबुलर क्लिनिकल डेटा पर काम करने वाले unmodified LLMs का उपयोग करके सेंसिंग-अवेयर सर्वाइवल एनालिसिस को सक्षम बनाता है। इसका मुख्य नवाचार 'टाइम-टू-इवेंट' प्रेडिक्शन को एक पेयरवाइज रैंकिंग समस्या (pairwise ranking problem) के रूप में पुनर्गठित करना है, जिससे पूर्ण समय लेबल की आवश्यकता समाप्त हो जाती है।

डेटा रूपांतरण: स्ट्रक्चर्ड टैबुलर वेरिएबल्स (जैसे आयु, महत्वपूर्ण संकेत, लैब परिणाम) को एक टेम्पलेट (जैसे, "Age is 79; Gender is FEMALE") का उपयोग करके नेचुरल लैंग्वेज स्टेटमेंट्स में बदला जाता है।
पेयरवाइज फॉर्मूलेशन: एक विशिष्ट सर्वाइवल टाइम की भविष्यवाणी करने के बजाय, मॉडल को यह निर्धारित करने के लिए प्रशिक्षित किया जाता है कि दो तुलनीय विषयों में से कौन पहले घटना का अनुभव करेगा।
- ट्रेनिंग पेयर्स: एक वैध ट्रेनिंग पेयर $(i, j)$ का निर्माण किया जाता है जहाँ विषय $i$ ने घटना का अनुभव किया ( $e_i=1$ ) और उसने विषय $j$ के फॉलो-अप समय से पहले इसे अनुभव किया ( $t_i < t_j$ )। इसमें सेंसर्ड विषय भी शामिल हैं, बशर्ते उन्हें दूसरे विषय के इवेंट टाइम से अधिक समय तक देखा गया हो।
- उद्देश्य: मॉडल को सापेक्ष क्रम (relative ordering) की भविष्यवाणी करने के लिए सुपरवाइज्ड लर्निंग के माध्यम से फाइन-ट्यून किया जाता है। लॉस फंक्शन वैध तुलनात्मक जोड़ों पर एक बाइनरी क्रॉस-एन्ट्रॉपी ऑब्जेक्टिव है, जो उस संभावना को अनुकूलित करता है कि मॉडल उस विषय को उच्च जोखिम स्कोर प्रदान करे जिसने पहले घटना का अनुभव किया है।
- सैंपलिंग: सभी संभावित जोड़ों को जेनरेट करने की कम्प्यूटेशनल लागत को प्रबंधित करने के लिए, एक नेस्टेड केस-कंट्रोल सैंपलिंग रणनीति का उपयोग किया जाता है, जो प्रत्येक इवेंट केस के लिए कंट्रोल्स (लंबे फॉलो-अप वाले विषय) की एक निश्चित संख्या चुनती है।
एंकर तुलना के माध्यम से इन्फरेंस (Inference via Anchor Comparison): टेस्टिंग के दौरान, किसी विषय का जोखिम स्कोर सीधे प्रेडिक्ट नहीं किया जाता है। इसके बजाय, टेस्ट विषय की तुलना ट्रेनिंग कोहॉर्ट से लिए गए $K$ $K$ "एंकर" व्यक्तियों के एक निश्चित सेट से की जाती है।
- मॉडल यह भविष्यवाणी करता है कि टेस्ट विषय प्रत्येक एंकर की तुलना में उच्च जोखिम पर है या नहीं।
- अंतिम जोखिम स्कोर उन एंकर्स का अनुपात है जिनके विरुद्ध टेस्ट विषय को उच्च जोखिम के रूप में रैंक किया गया है।
मॉडेल्स: फ्रेमवर्क का मूल्यांकन दो इंस्ट्रक्शन-ट्यून्ड, स्थानीय रूप से तैनात किए जा सकने वाले LLMs का उपयोग करके किया गया: Llama 3.1-8B-Instruct और Qwen 2.5-7B-Instruct।

प्रमुख योगदान

एंड-टू-एंड LLM सर्वाइवल मॉडलिंग: यह पेपर बिना किसी आर्किटेक्चरल बदलाव के सीधे सर्वाइवल मॉडल के रूप में LLMs को प्रशिक्षित करने के लिए एक प्रूफ ऑफ कॉन्सेप्ट प्रस्तुत करता है, जो उनके पारंपरिक फीचर एक्सट्रैक्टर की भूमिका से आगे बढ़ता है।
सेंसरिंग समाधान: समस्या को रैंकिंग कार्य के रूप में पुनर्गठित करके, यह विधि स्वाभाविक रूप से प्रशिक्षण प्रक्रिया में सेंसर्ड अवलोकनों को शामिल करती है, जो मिसिंग इवेंट टाइम्स की मौलिक बाधा को दूर करती है।
पोर्टेबिलिटी: यह फ्रेमवर्क विभिन्न क्लिनिकल संदर्भों (एक्यूट ICU मृत्यु दर और क्रोनिक फ्रैक्चर रिस्क) में बिना किसी टास्क-विशिष्ट आर्किटेक्चरल बदलाव के पोर्टेबल होने का प्रदर्शन करता है।
लोकल डिप्लॉयमेंट: कॉम्पैक्ट, सार्वजनिक रूप से उपलब्ध बेस मॉडल्स (7B/8B पैरामीटर्स) का उपयोग बाहरी API कॉल्स से जुड़ी गोपनीयता संबंधी चिंताओं को कम करता है और स्थानीय तैनाती की अनुमति देता है।

परिणाम
फ्रेमवर्क का मूल्यांकन दो अलग-अलग क्लिनिकल कार्यों पर किया गया:

ICU मॉर्टालिटी प्रेडिक्शन (MIMIC-IV):
- LLMSurvival ने 0.776 (Llama) और 0.784 (Qwen) का ओवरऑल C-index प्राप्त किया।
- यह कॉक्स प्रोपोर्शनल हेज़ार्ड्स मॉडल (0.753) पर 3.1% सुधार और स्थापित क्लिनिकल स्कोर SAPS-II (0.746) पर 3.0% सुधार दर्शाता है।
- इसने औसतन तीन डीप लर्निंग बेसलाइन्स (Cox-nnet, DeepHit, DeepSurv) को पछाड़ दिया।
फ्रैजिलिटी फ्रैक्चर प्रेडिक्शन (NYP/WCM कोहॉर्ट):
- LLMSurival ने 0.742 (Llama) और 0.741 (Qwen) का ओवरऑल C-index प्राप्त किया।
- इसने कॉक्स मॉडल पर 0.5% सुधार और FRAX क्लिनिकल स्कोर (0.660) पर महत्वपूर्ण 8.2% सुधार दिखाया।
- इसका प्रदर्शन विभिन्न समय क्षितिजों (2, 3, और 5 वर्ष) में डीप लर्निंग बेसलाइन्स के साथ प्रतिस्पर्धी या उससे बेहतर रहा।

दोनों कार्यों में, कपलान-मेयर विश्लेषणों ने पुष्टि की कि LLMSurival ने प्रभावी रूप से रोगियों को विशिष्ट सर्वाइवल ट्रेजेक्टरीज वाले उच्च-जोखिम और निम्न-जोखिम समूहों में विभाजित किया (ICU के लिए हैज़र्ड रेशियो 4.80 और फ्रैक्चर के लिए 4.02)। मॉडल आउटपुट के गुणात्मक विश्लेषण से संकेत मिला कि LLMs ने अपने पेयरवाइज तुलनाओं के लिए क्लिनिकली सुसंगत तर्क (rationales) उत्पन्न किए, जिसमें प्रवेश की गंभीरता, ऑक्सीजन स्तर और कोमोरबिडिटी बोझ जैसे प्रासंगिक जोखिम कारकों का उल्लेख किया गया।

महत्व और दावे
लेखकों का दावा है कि LLMSurvival यह प्रदर्शित करता है कि तुलना-आधारित पुनर्गठन के माध्यम से सेंसरिंग के साथ सर्वाइवल मॉडलिंग को LLM फाइन-ट्यूनिंग के अनुकूल बनाया जा सकता है। यह अध्ययन एक प्रूफ ऑफ कॉन्सेप्ट के रूप में कार्य करता है कि LLMs हाइब्रिड आर्किटेक्चर पर निर्भर रहने के बजाय जटिल सांख्यिकीय समस्याओं को स्वतंत्र रूप से हल करने के लिए अपनी क्षमताओं का विस्तार कर सकते हैं। फ्रेमवर्क की विशेषज्ञ-क्यूरेटेड क्लिनिकल स्कोर (SAPS-II और FRAX) को पछाड़ने की क्षमता यह दर्शाती है कि LLMs सीधे डेटा से सार्थक जोखिम स्तरीकरण सीख सकते हैं। इसके अलावा, यह कार्य एक व्यापक सिद्धांत को स्पष्ट करता है: सांख्यिकीय रूप से चुनौतीपूर्ण समस्याओं को LLM क्षमताओं (जैसे तुलनात्मक तर्क) के अनुरूप पुनर्गठित करने से भाषा मॉडल्स की प्रयोज्यता बढ़ाई जा सकती है।

सीमाएँ
लेखक कई सीमाओं को स्वीकार करते हैं:

ट्रेनिंग में विभिन्न सैंपलिंग कॉन्फ़िगरेशन के बीच कुछ परिवर्तनशीलता देखी गई, जो अनुकूलन स्थिरता सुधारों के लिए गुंजाइश का सुझाव देती है।
पेयर चयन कंट्रोल्स की रैंडम सैंपलिंग पर निर्भर था; संरचित रणनीतियाँ दक्षता में सुधार कर सकती हैं।
इन्फरेंस के लिए एंकर्स के विरुद्ध कई पेयरवाइज तुलनाओं की आवश्यकता होती है, जिससे कम्प्यूटेशनल ओवरहेड बढ़ता है।
वर्तमान कार्यान्वयन केवल स्ट्रक्चर्ड टैबुलर इनपुट का उपयोग करता है; क्लिनिकल नोट्स और मेडिकल इमेजिंग जैसे मल्टीमॉडल संकेतों को एकीकृत करने के लिए भविष्य के कार्य की आवश्यकता है।