Can-SAVE: Deploying Low-Cost and Population-Scale Cancer Screening via Survival Analysis Variables and EHR

以下是论文《Can-SAVE：通过生存分析变量与电子健康记录部署低成本、大规模癌症筛查》的详细技术总结。

1. 问题陈述

癌症筛查面临一个关键瓶颈：传统方法成本高昂、劳动密集，且难以扩展到人群规模。虽然人工智能（AI）在癌症检测方面展现出潜力，但大多数现有系统依赖专门数据（基因、生物标志物、生活方式调查）或复杂基础设施（影像、自然语言处理），使其在资源受限的公共医疗系统中难以大规模部署。

理论上的 AI 进展与临床效用之间存在显著差距。现有方案往往未能有效利用常规电子健康记录（EHR）进行人群风险分层，且未能在不收集标准医疗服务代码（ICD-10）和就诊历史之外数据的情况下实现。挑战在于创建一个满足以下条件的系统：

• 低成本：无需专用硬件或生物标志物。
• 可扩展：能够处理数百万患者。
• 数据无关：适用于几乎任何诊所可用的标准 EHR 数据。

2. 方法论：Can-SAVE 框架

Can-SAVE 是一个轻量级 AI 系统，旨在仅基于常规医疗历史事件（诊断和服务代码）对人群癌症风险进行排序。其核心创新在于将生存分析输出整合到梯度提升框架中。

A. 问题表述

该任务被构建为具有时间约束的二分类问题：

• 输入：患者的 EHR（$Q_i$），包含按时间顺序排列的医疗事件（ICD-10 代码、服务代码、日期）。
• 目标：预测在未来 12 个月（$t_{pred}$ 至 $t_{pred} + 12M$）内是否会发生癌症诊断（ICD-10 C00-C97）。
• 目标：最大化高风险患者的排序，以优先分配有限的筛查资源。

B. 三阶段流程

1. 特征工程：

   • 从原始 EHR 数据中生成 700 多个候选特征。
   • 类别包括：社会人口统计学特征（年龄、性别）、时间模式（就诊频率、季节性）、临床利用率（诊断与服务比率）以及医疗事件频率（按 ICD-10 组统计的计数）。

2. 生存特征构建（创新点）：

   • 系统不直接使用原始 EHR 数据进行生存建模，而是提取人群层面和个性化的生存统计数据，作为最终分类器的特征。
   • 人群层面：使用 Kaplan-Meier 估计器计算总体生存概率（$\hat{S}_{KM}$）和按性别分层的生存概率。同时计算“风险梯度”（年龄 $t$ 与 $t+1$ 之间生存概率的变化）。
   • 个性化：使用**加速失效时间（AFT）**模型，基于患者特定的协变量历史生成个体特定的生存轨迹和风险梯度。

3. 梯度提升整合：

   • 将生存模型的输出（概率和梯度）与标准机器学习特征连接。
   • 在此扩展特征集上训练 CatBoost（梯度提升机）模型，以预测 $P(\text{癌症} | \text{EHR})$。
   • 原理：生存输出充当正则化器，将先验人群知识注入模型，以改善泛化能力并处理偏差 - 方差权衡。

C. 基线模型

作者将 Can-SAVE 与 17 种基线模型进行了比较，包括：

• 经典机器学习（逻辑回归、随机森林、GBM）。
• 纯生存模型（AFT、随机生存森林、DeepHit）。
• 深度学习（RNN、Transformer 如 BERT/Longformer）。
• 基于大语言模型（LLM）的方法（微调 LLM、基于嵌入的模型、LLM 摘要）。

3. 主要贡献

1. 新颖架构：证明了将生存分析变量与梯度提升相结合，在仅使用常规 EHR 进行癌症风险排序时，显著优于独立的生存模型以及复杂的深度学习/LLM 方法。
2. 大规模现实世界验证：在跨越俄罗斯五个地区的250 万成年人数据集上验证了该系统，代表了 AI 驱动癌症风险评估最大规模的现实世界部署之一。
3. 前瞻性临床试点：在肿瘤学家监督下，对 42.6 万名患者进行了为期 12 个月的前瞻性研究，超越了回顾性分析，以衡量实际临床影响。
4. 可扩展性与效率：证明了该系统可在标准硬件上于 3 小时内处理全市人口（100 万患者），无需新的数据收集或专用基础设施。

4. 实验结果

A. 回顾性性能（数值实验）

• 数据集：175,441 名患者（2017–2021 年）。
• 指标：由于类别极度不平衡（癌症罕见），优先采用平均精度（AP）而非 ROC-AUC。
• 结果：
  • Can-SAVE：实现了 AP = 0.228（所有方法中最高）。
  • 最佳基线（LoRA 微调 LLM）：AP = 0.193。
  • 对比：Can-SAVE 在 AP 上比最佳 LLM 基线高出约 18%，并超越了所有其他经典和深度学习方法。
  • 消融研究：证实了 GBM 与生存特征的融合至关重要；独立的 GBM（AP 0.160）和独立的 AFT（AP 0.117）表现显著较弱。

B. 肿瘤学家监督的回顾性研究

• 范围：5 个地区的 190 万患者。
• 发现：当筛查 Can-SAVE 识别出的前 1,000 名高风险患者时，该系统检测出每 1,000 人中有 41–90 例癌症，而传统筛查协议仅为每 1,000 人中有 9–15 例。
• 提升：在相同的筛查量下，检测率提高了4.1 倍至 10.0 倍。

C. 前瞻性试点（现实世界部署）

• 范围：12 个月内的 426,210 名患者。
• 对比：Can-SAVE（测试组）与国家标准筛查（对照组）。
• 关键成果：
  • 检测率：Can-SAVE 检测到2,148 例癌症，而对照组为 1,123 例。
  • 效率：在相同临床能力下，癌症检测率提高了91%。
  • 覆盖率：Can-SAVE 识别出该地区当年检测到的所有癌症的75.4%，而传统筛查仅为39.4%（覆盖率扩大了36 个百分点）。
  • 资源使用：无需新硬件或昂贵测试；工作流程仅改变了邀请的优先级和简短的风险问卷。

D. 特征重要性

• 年龄是主导特征（重要性占 20.2%）。
• 生存模型输出贡献了总重要性的39.6%，验证了核心假设，即生存衍生的信号对于排序至关重要。
• 就诊模式和临床标志物（如免疫系统服务、良性肿瘤）也做出了显著贡献。

5. 意义与影响

• 范式转变：Can-SAVE 证明，利用普及的 EHR 数据的“务实 AI"在人群筛查方面可以超越复杂且数据饥渴的模型（如 LLM）。
• 可及性：由于仅依赖标准 ICD-10 代码和就诊历史，该系统可在全球资源匮乏地区部署，无需基因检测或专用影像。
• 临床效用：该系统成功整合到现有的公共卫生工作流中，证明了 AI 可以直接提高早期检测率并挽救生命，而不会扰乱临床运营。
• 可扩展性：该系统能够在数小时内于商用服务器上处理数百万条记录，使其成为国家级卫生政策实施的可行解决方案。

总之，Can-SAVE 提供了一个可复现、低成本的人群规模癌症预防框架，弥合了先进数据科学与现实世界公共卫生约束之间的差距。