💻 computer science

SHIFT: Survival Prediction from Incomplete and Heterogeneous Genomic Data

Het artikel introduceert SHIFT, een missingness-bewust transformer-model dat robuuste overlevingsvoorspelling mogelijk maakt over heterogene genomische datasets door direct incomplete feature-inputs te verwerken zonder imputatie te vereisen of de analyse te beperken tot gedeelde genen.

Oorspronkelijke auteurs: Muhammet Sami Yavuz, Ayhan Can Erdur, Sabri Mustafa Kahya, Benedikt Wiestler, Jana Lipkova

Gepubliceerd 2026-07-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Muhammet Sami Yavuz, Ayhan Can Erdur, Sabri Mustafa Kahya, Benedikt Wiestler, Jana Lipkova

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te voorspellen hoe lang een patiënt mogelijk zal leven op basis van hun genetische "vingerafdruk". Meestal hebben artsen en wetenschappers een enorm probleem: elke kliniek gebruikt een andere genetische testset. De ene kliniek controleert misschien 200 genen, terwijl de andere er slechts 20 controleert. Het is alsof je probeert een taart te bakken met een recept dat 200 ingrediënten vermeldt, maar je lokale supermarkt verkoopt er slechts 20.

Lange tijd probeerden wetenschappers dit op te lossen door ofwel de patiënten weg te gooien die niet over de volledige 200 ingrediënten beschikten (waardoor waardevolle data verloren ging), ofwel door te raden welke ingrediënten er misselijk hadden kunnen zijn (imputatie). Maar gokken is riskant; als je het verkeerde kruid raadt, smaakt je taart verschrikkelijk en is je voorspelling fout.

Maak kennis met SHIFT, een nieuw AI-model dat fungeert als een superflexibele chef. In plaats van de volledige lijst van 200 ingrediënten nodig te hebben om te beginnen met koken, kan SHIFT kijken naar welke ingrediënten er daadwerkelijk in de keuken aanwezig zijn en direct een geweldige voorspelling doen. Het raadt niet wat er ontbreekt; het concentreert zich simpelweg op wat er wél is.

De Magische Truc: Het "Ontbrekende" Masker

Zie SHIFT als een detective die een speciale bril draagt. Wanneer de detective naar de genetische gegevens van een patiënt kijkt, en als een gen ontbreekt (omdat de kliniek er niet voor heeft getest), maakt de bril die plek simpelweg zwart. De detective negeert de zwarte vlekken en lost het mysterie op met behulp van de aanwijzingen die wel zichtbaar zijn.

Het onderzoek laat zien dat deze detective ongelooflijk slim is. In tests met twee soorten kanker — glioblastoom (een hersenkanker) en longplaskarsinoom (longkanker) — presteerde SHIFT net zo goed als de beste traditionele methoden wanneer alle data perfect was. Maar wanneer de data rommelig was en enorme stukken miste (zoals in de longkankercasus waarbij één groep 175 van de 197 genen miste, oftewel 88,8% van de data!), struikelde SHIFT niet.

Terwijl andere methoden probeerden de "lege plekken in te vullen" met behulp van gokwerk (zoals het missende genen raden op basis van buren), gebruikte SHIFT gewoon de echte data die het tot zijn beschikking had. In de longkankertest presteerde SHIFT net zo goed als de beste gokmethode, zonder ooit een enkele gok te doen.

Trainen met "Blinddoeken"

Hoe werd de detective zo goed in het negeren van ontbrekende aanwijzingen? De auteurs gebruikten een slimme trainingsmethode genaamd Variable-Rate Masking (VRM).

Stel je voor dat je een student traint voor een wiskundetoets. Normaal gesproken geef je ze een volledig werkblad. Maar met VRM dekt de leraar willekeurig verschillende getallen op het werkblad af voor elke oefenopgave. Soms dekken ze één getal af, soms de helft van de pagina. De student leert de som op te lossen met welke getallen er ook nog zichtbaar zijn.

Het artikel suggereert dat deze "blinddoek"-training het model veel weerbaarder maakt. Zelfs wanneer het model later wordt getest met een volledig werkblad (zonder ontbrekende data), presteert het beter dan modellen die zonder de blinddoeken zijn getraind. Het is als een student die geoefend heeft met ontbrekende getallen en daardoor zo goed is geworden in logica, dat hij de toets haalt zelfs wanneer alle getallen aanwezig zijn.

De "Onvolledige" Teamgenoot

Hier is een andere verrassende bevinding: je hoeft de onvolledige data niet weg te gooien.

In de studie probeerden de onderzoekers een groep patiënten toe te voegen die slechts 22 genen getest hadden (van de gebruikelijke 197) aan de trainingsmix. Normaal gesproken zouden wetenschappers deze groep weggooien omdat hun data "te onvolledig" is. Maar het artikel suggereert dat wanneer je SHIFT gebruikt, je deze onvolledige groep juist kunt gebruiken om het model te helpen leren.

Toen ze deze 102 patiënten met beperkte data aan de training toevoegden, werden de voorspellingen van het model voor een compleet andere groep patiënten (de CPTAC-cohort) iets beter. De auteurs suggereren dat zelfs een "halflege" dataset het model iets nuttigs kan leren, mits het model weet hoe het met de ontbrekende stukken moet omgaan.

Wat dit NIET betekent

Het is belangrijk om te weten wat dit artikel niet zegt.

Het zegt niet dat SHIFT een magische genezing voor kanker is. Het voorspelt alleen het overlevingsrisico.
Het zegt niet dat dit voor elke vorm van kanker werkt. De auteurs hebben het alleen getest op hersen- en longkanker.
Het zegt niet dat je andere methoden volledig moet stoppen met gebruiken. Het artikel suggereert dat SHIFT een sterk alternatief is, vooral wanneer de data rommelig is, maar geeft toe dat er meer testen op verschillende ziekten nodig zijn.
Het beweert niet dat gokken (imputatie) altijd slecht is. Het laat alleen zien dat wanneer de ontbrekende data enorm groot en structureel is (zoals een heel deel van het genoom dat nooit is getest), gokken minder betrouwbaar is dan simpelweg gebruiken wat je hebt.

De Kern van het Verhaal

Het artikel suggereert dat we één enkel, slim AI-model kunnen bouwen dat werkt over verschillende ziekenhuizen heen, zelfs als die ziekenhuizen verschillende genetische testkits gebruiken. Door het model te leren om ontbrekende data te negeren in plaats van te gokken, en door het te trainen met "blinddoeken" om het weerbaarder te maken, kunnen we meer patiënten in onze studies betrekken en betere voorspellingen doen. Het is een stap richting het toegankelijk maken van precisiegeneeskunde voor iedereen, en niet alleen voor de gelukkigen die toevallig over de perfecte genetische testkit beschikken.

Technische Samenvatting: SHIFT – Overlevingsvoorspelling vanuit Incomplete en Heterogene Genomische Data

1. Probleemstelling

Genomische voorspellingsmodellen voor de overleving van patiënten falen vaak in het generaliseren over medische instellingen vanwege structurele kenmerk-missingness (het ontbreken van kenmerken). In tegen tegenstelling tot willekeurige ontbrekende data, is genomische missingness vaak systematisch: verschillende centra maken gebruik van verschillende sequencing-panels, die verschillende subsets van genen meten. Dit creëert een scenario waarin een model dat getraind is op een breed panel (bijv. 197 genen), niet direct kan worden ingezet op een locatie die een smal panel gebruikt (bijv. 22 genen) zonder aanzienlijk gegevensverlies of imputatie.

Bestaande benaderingen voor deze uitdaging vertrouwen doorgaans op een van drie suboptimale strategieën:

Beperking van de analyse tot de intersectie van kenmerken die gedeeld worden door alle cohorten, waarbij potentieel informatieve genomische data wordt weggegooid.
Uitsluiting van patiënten met incomplete profielen, wat de omvang en diversiteit van het cohort verkleint en selectiebias versterkt.
Test-tijd imputatie (bijv. KNN, gemiddelde-imputatie), wat biologische signalen kan verstoren, bias kan introduceren en klinisch relevante kenmerken kan hallucineren, vooral wanneer grote blokken kenmerken structureel afwezig zijn.

Het artikel betoogt dat deze beperkingen de implementatie van robuuste, multi-center overlevingsmodellen in precisie-oncologie hinderen.

2. Methodologie: Het SHIFT-model

De auteurs stellen SHIFT voor (Survival prediction Handling Incomplete Features using Transformer), een missingness-bewust overlevingsmodel dat is ontworpen om direct overlevingsuitkomsten te voorspellen vanuit incomplete genomische inputs zonder test-tijd imputatie.

Architectuur

SHIFT is een transformer-gebaseerde architectuur aangepast voor tabulaire genomische data, bestaande uit drie hoofdonderdelen:

Feature Embedding Block: In plaats van de volledige genomische vector gezamenlijk te verwerken, brengt SHIFT elk genomisch kenmerk onafhankelijk in naar een token-representatie met behulp van een Self-Normalizing Network (SNN) blok (Lineair $\to$ SELU $\to$ AlphaDropout). Elk kenmerk $x_l$ wordt geëmbed via een toegewezen $SNN(1, D)$ waarbij $D=128$ . Ontbrekende kenmerken worden als zero-filled placeholders ingevuld, maar worden niet als geldige inputs verwerkt.
Masked Transformer Encoder: Een 2-laagse Transformer encoder verwerkt de sequentie van feature-tokens. Cruciaal is dat het een missingness mask ( $M$ ) gebruikt als een key-padding mask. Dit zorgt ervoor dat tokens die overeenkomen met ontbrekende kenmerken worden uitgesloten van het self-attention mechanisme. Bijgevolg aggregeert de leerbare [CLS] token informatie alleen uit geobserveerde genomische variabelen. Positionele embeddings worden weggelaten omdat genomische kenmerken geen natuurlijk sequentieel verband hebben.
Survival Prediction Block: De uiteindelijke [CLS] representatie wordt door een SNN en een lineaire laag geleid om logits te produceren voor $K=4$ discrete tijdsintervallen. Een sigmoid activatie zet deze om in discrete hazard-waarschijnlijkheden. Het model wordt end-to-end getraind met een discrete-tijd negative log-likelihood loss, die rekening houdt met gecensureerde data.

Trainingsstrategie: Variable-Rate Masking (VRM)

Om de robuustheid tegen heterogene missingness-patronen te verbeteren, introduceren de auteurs Variable-Rate Masking (VRM) tijdens de training.

Voor elke trainings-epoch en patiënt wordt een willekeurig deel van de kenmerken ( $k_i$ ) gemaskeerd, waarbij $k_i$ wordt gesampled uit een uniforme verdeling tot een maximale maskeringfractie $f$ .
Dit dwingt het model om de relaties tussen kenmerken te leren van gedeeltelijk geobserveerde inputs, wat de variabiliteit simuleert die men ziet bij verschillende instellingen.
De standaardinstelling gebruikt $f=0.5$ , wat betekent dat tot 50% van de kenmerken willekeurig wordt gemaskeerd tijdens de training.
Cruciaal is dat VRM alleen tijdens de training wordt gebruikt. Tijdens de inferentie handelt het model natuurlijk ontbrekende kenmerken inherent af via de missingness mask, waardoor imputatie niet nodig is.

3. Belangrijkste Bijdragen

SHIFT Model: Introductie van een transformer-gebaseerd model dat in staat is tot overlevingsvoorspelling vanuit incomplete genomische data zonder imputatie, gebruikmakend van gemaskeerde self-attention om zich uitsluitend op geobserveerde inputs te richten.
Variable-Rate Masking (VRM): Een trainingsstrategie die de robuustheid van cross-cohort verschuivingen verbetert door het model bloot te stellen aan diverse subsets van geobserveerde kenmerken tijdens de training.
Inclusieve Modellering: Demonstratie dat ernstig incomplete cohorten (bijv. met 88% ontbrekende kenmerken) kunnen worden opgenomen in de modelontwikkeling om de prestaties op externe data te verbeteren, in plaats van ze te verwerpen.

4. Experimentele Resultaten

De auteurs evalueerden SHIFT op twee kankertypes: Glioblastoom (GBM) en Long Squamous Cell Carcinoma (LUSC), gebruikmakend van publieke (TCGA, CPTAC) en private cohorten.

Prestaties op Volledige Data

In situaties waar de trainings- en testdata hetzelfde kenmerkruimte delen (geen missingness), presteert SHIFT (met of zonder VRM) competitief ten opzichte van standaard baselines (CoxPH, RSF, DeepSurv, SNN).
Impact van VRM: Hoewel SHIFT zonder VRM competitief is, verbetert het toevoegen van VRM de cross-institutionele generalisatie aanzienlijk (bijv. van TCGA naar CPTAC/Duitse cohorten), wat suggereert dat VRM fungeert als een regularisator tegen overfitting op specifieke subsets van kenmerken.

Prestaties op Incomplete Data (LUSC)

Scenario: Het Amerikaanse cohort had slechts 22 van de 197 kenmerken beschikbaar (88,8% structurele missingness).
Baselines: Standaard modellen getraind op de volledige 197 kenmerken vereisten KNN of gemiddelde-imputatie op test-tijd. Deze benaderingen vertoonden een hoge gevoeligheid voor de imputatiestrategie, waarbij veel baselines aanzienlijk verslechterden (bijv. SNN die daalde naar een C-index van ~0,42 met KNN).
SHIFT: SHIFT-VRM, getraind op de volledige 197 kenmerken en geëvalueerd op de 22-kenmerken US-cohort (zonder imputatie), behaalde de beste ensemble-prestaties (C-index 0,570), wat overeenkomt met de sterkste geïmputeerde baseline (CoxPH met gemiddelde-imputatie) en de meeste anderen overtreft.
Controle: Wanneer alle modellen werden beperkt tot de gedeelde 22 kenmerken, presteerde SHIFT-VRM niet beter dan de beste baseline (SNN), wat bevestigt dat het voordeel van SHIFT voortkomt uit het vermogen om rijkere trainingsdata te benutten terwijl het robuust blijft onder implementatiebeperkingen, in plaats van enkel door de transformer-architectuur zelf.

Multi-Site Training

De auteurs testten of het opnemen van het incomplete US-cohort (22 kenmerken) in de trainingsset (naast TCGA) de prestaties op het externe CPTAC-cohort verbeterde.
Resultaat: Het opnemen van het incomplete US-cohort verbeterde de C-index op CPTAC van 0,602 (alleen TCGA) naar 0,629 (TCGA+US). Dit ondersteunt de claim dat gedeeltelijk geobserveerde cohorten nuttige signalen leveren en niet uitgesloten hoeven te worden.

Ablatieonderzoek

Het variëren van de maskeringfractie $f$ toonde aan dat $f=0,5$ de meest consistente prestaties over cohorten bood.
Het verwijderen van VRM ( $f=0,0$ ) verzwakte de externe generalisatie consequent, zelfs in situaties waar de testdata volledig was, wat de rol van VRM als regularisator bevestigt.

5. Betekenis en Claims

Het artikel claimt dat SHIFT een praktische strategie biedt voor multi-center overlevingsvoorspelling in precisie-oncologie door de "structurele missingness" aan te pakken die inherent is aan de genomische heterogeniteit.

Single Model Deployment: Een enkel model kan getraind worden op heterogene data en ingezet worden bij verschillende instellingen met verschillende sequencing-panels zonder locatie-specifieke hertraining of imputatie.
Robuustheid tegen Structurele Missingness: Conditioneren op enkel geobserveerde inputs (via masking) kan net zo robuust zijn als, of robuuster dan, het reconstrueren van grote blokken niet-gemeten kenmerken via imputatie, vooral wanneer de missingness niet-willekeurig en structureel is.
Data-inclusiviteit: De studie daagt de praktijk uit om incomplete cohorten uit te sluiten. Door missingness inherent af te handelen, kunnen modellen data van centra met smallere panels benutten, wat de steekproefomvang en diversiteit vergroot zonder de prestaties in gevaar te brengen.

De auteurs erkennen beperkingen, waaronder de restrictie tot twee kankertypes, bescheiden omvang van externe cohorten en het gebruik van willekeurige maskering in plaats van site-gestructureerde maskeringpatronen. Ze concluderen echter dat het expliciet modelleren van de beschikbaarheid van kenmerken een levensvatbare weg is naar meer inzetbare en inclusieve genomische overlevingsmodellen.