🤖 AI

Tackling Small Sample Survival Analysis via Transfer Learning: A Study of Colorectal Cancer Prognosis

本研究提出并评估了包括一种新型迁移生存森林模型在内的迁移学习方法，旨在通过利用来自较大源数据集的知识，来提升在小样本结直肠癌预后数据上进行生存分析的性能。

原作者： Yonghao Zhao, Changtao Li, Chi Shu, Qingbin Wu, Hong Li, Chuan Xu, Tianrui Li, Ziqiang Wang, Zhipeng Luo, Yazhou He

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yonghao Zhao, Changtao Li, Chi Shu, Qingbin Wu, Hong Li, Chuan Xu, Tianrui Li, Ziqiang Wang, Zhipeng Luo, Yazhou He

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是该论文的通俗易懂版解释，使用了日常生活的类比。

核心问题：样本极少时的学习难题

想象一下，你正在尝试学习如何预测天气。通常情况下，你会观察过去 20 年的历史数据来寻找规律。但如果你的数据只有一周的时间呢？你将无法做出准确的预测，因为你看到的例子不够多，无法总结出规律。

这就是医生在进行生存分析（预测患者能活多久或某种疾病会持续多久）时面临的问题。对于罕见癌症病例或特定的患者群体，医生往往只有极少量的临床数据。试图用这么少的数据来构建预测模型，就像是仅仅坐在驾驶座上坐了五分钟就想学会开车；你还没见过足够的交通状况，根本不知道该怎么做。

解决方案：“迁移学习”（学徒策略）

论文作者提出了一种聪明的解决方案，叫做迁移学习（Transfer Learning）。

你可以这样理解：与其试图用那点微不足道的数据从零开始学习开车，不如聘请一位已经在类似路况下行驶了 10 万英里的专家司机。

源数据（专家）： 他们利用一个庞大的结直肠癌患者数据库（来自美国 SEER 数据库，包含 27,000 多个病例）来训练一个“大师级模型”。这个模型已经掌握了癌症行为的一般规律。
目标数据（学徒）： 然后，他们将这个“大师级模型”交给一家只有少量数据集（西华医院，测试中甚至更少）的本地医院。
迁移过程： 本地模型不再从零开始，而是“继承”大师模型的知识，并对其进行微调，以适应本地患者的情况。

他们是如何实现的：两种不同的工具

论文在两种不同类型的“预测引擎”（机器学习模型）上测试了这一想法。

1. 神经网络（深度学习模型）

类比： 想象一个已经背熟了一本教科书的学生。现在，他需要参加一门新课程的特定考试。
策略：
- 重训（Retraining）： 学生扔掉旧笔记，从第一页开始重新阅读新的教科书，利用新数据重写所有内容。如果他们有足够多的新页面可以阅读，这种方法效果很好。
- 微调（Fine-Tuning）： 学生保留旧笔记（通用知识），但只更新最后几个章节，以匹配新的考试题目。如果他们只有很少的新页面，这种方法效果更好。
发现： 论文发现，如果本地医院拥有大量数据（500 人以上），“重训”效果最好。如果患者人数非常少（50 人或更少），“微调”则要好得多，因为没有足够的新数据来支撑重写整本书。

2. 随机生存森林（基于树的模型）

类比： 想象一片由决策树组成的森林。每棵树都会通过提问来决定结果，例如：“患者年龄是否大于 60 岁？”或“肿瘤是否很大？”
问题： 你不能直接把整个森林从美国“复制”到中国，因为这些树可能是基于不同的规则构建的。
新方法 (TSF)： 作者发明了一种新的“嫁接”树的方法。
- 他们观察“大师森林”，识别出最常见的顶端分支（即最重要的关键问题，如年龄或肿瘤大小）。
- 他们切下这些顶端分支，并将它们嫁接到本地的森林中。
- 然后，让他们本地的数据来生长下层分支和根部。
发现： 这种“嫁接”方法（称为迁移生存森林或 TSF）是全场的明星。它始终能提供最准确的预测，即使在本地数据极小的情况下也是如此。它本质上是在说：“使用专家的宏观问题，但根据你自己的本地患者来处理细节。”

结果：奏效了吗？

是的，而且提升非常显著。

在没有帮助的情况下，本地模型在面对小样本数据时表现挣扎（就像试图通过一天的天气数据来预测长期的气候）。
在获得“迁移”帮助后，模型的预测变得更加精准。
最佳结果： “迁移生存森林”（TSF）将预测准确度从一个还不错的水平提升到了研究中的最高水平。
“极小”数据测试： 即使在测试样本量仅为 50 人时，迁移学习方法仍然比从零开始学习的效果更好。

注意事项（局限性）

论文指出了一些需要注意的地方：

数据过少： 如果本地数据变得极其微小（少于 40 人），“嫁 grafting（嫁接）”方法可能会产生混乱，表现甚至不如不做任何处理。在这种情况下，更安全的方法是只复制树的最顶端分支，而不是试图构建一棵深层的树。
特征匹配： 该方法在两家医院询问的指标完全一致时（例如，都有关于“肿瘤大小”和“年龄”的数据）效果最好。如果本地医院缺少专家模型所使用的关键数据点，迁移过程就会变得困难。

总结

这篇论文表明，在医学研究中，并不总是需要海量的本地数据集才能做出好的预测。通过借鉴预训练的大型数据集（如 SEER 数据库）中的“智慧”，并将其仔细适配到规模较小的本地群体中，医生可以构建出更强大的预测工具。这就像是让一位本地医生通过站在巨人的肩膀上，从而获得了一个领先的起跑点。

技术摘要：通过迁移学习解决小样本生存分析问题

问题陈述

生存分析是医学研究中预测时间-事件结局（如死亡或疾病进展）的基础。然而，这些模型的精度高度依赖于样本量。在临床环境中，特别是在特定癌症亚型或个性化医疗场景下，由于随访时间要求长、事件发生率低或特定分子特征稀有，研究人员经常面临小样本量（例如 <200 名患者）的挑战。标准的统计方法往往无法从如此有限的数据中提取有效模式，导致预测性能较差。尽管存在大规模开放获取数据集（如 SEER、UK Biobank），但由于分布偏移，它们很少能直接应用于特定的局部队列。本研究旨在通过利用相关大规模源数据集中的知识，通过迁移学习来解决提升小样本目标数据集生存预测性能的挑战。

方法论

作者提出并评估了针对两类不同生存模型定制的迁移学习框架：**参数化（基于神经网络）和非参数化（基于树）**模型。

1. 神经网络模型的迁移（DeepSurv, Cox-CC, DeepHit）

对于基于神经网络的生存模型，本研究采用了标准的迁移学习策略：

预训练（Pretraining）： 模型首先在大型源数据集（SEER）上进行训练。
重训练（Retraining, RT）： 在目标数据集上重新优化所有网络参数。
微调（Fine-tuning, FT）： 仅重新优化部分参数（在本研究的极端情况下特指输出层），以保留预先学习到的特征表示。
粒度分析： 研究调查了迁移粒度与数据可用性之间的关系。研究认为，虽然在数据充足时重训练在理论上是最优的，但在目标数据匮乏时，微调（仅调整输出层）更具优势，可以防止过拟合以及对源知识的灾难性遗忘。

2. 随机生存森林的迁移（TSF）

针对非参数化随机生存森林（RSF），作者提出了一种称为**迁移生存森林（Transfer Survival Forest, TSF）**的新方法，因为标准的神经网络迁移技术无法直接应用于树集成模型。

源森林训练： 在源任务上训练一个 RSF 以生成 $N_S$ 棵生存树。
树结构频率（TSF-Tk）： 该方法分析源森林中树结构的频率。它统计树的前 $k$ 层中特征组合出现的频率。这些频率被归一化为概率分布 $P(T_k)$ 。
目标森林构建：
1. 采样： 从源分布 $P(T_k)$ 中采样原型树结构。
2. 移植： 新的目标树的前 $k$ 层将采用从采样得到的源结构中的分裂特征。
3. 微调： 这些顶层的分裂值使用目标数据进行重新计算。较低层级的节点（深度 $> k$ ）则使用标准树构建算法在目标数据上独立生长。
替代方案（DP）： 同时也测试了一种对比方法（DP），该方法仅考虑特征出现的深度维度的概率，忽略了特征之间的共现关系。

实验设置

源数据： 来自 SEER 数据库的 27,379 名 I 期结直肠癌（CRC）患者。
目标数据： 来自西华医院（WCH）的 728 名 I 期结直肠癌患者。
特征： 八个临床预测因子，包括性别、年龄、T 分期、肿瘤大小、分级、CEA 水平、神经侵犯以及淋巴结检查状态。
评估： 研究通过在 50 到 500 个样本的 WCH 数据子集上进行训练，来模拟小样本场景。性能通过**时间依赖性一致性指数（ $C_{td}$ ）**进行衡量。
基准模型：
- 目标模型（Target）： 仅在目标数据上训练的模型（无迁移）。
- 源模型（Source）： 直接应用于目标数据的预训练源模型（无微调）。

关键结果

研究表明，迁移学习显著增强了各种样本量下的生存预测性能。

参数化模型（DeepSurv, Cox-CC, DeepHit）

性能提升： 与仅在目标数据上训练相比，迁移学习一致地提高了 $C_{td}$ 分数。对于全量数据集（655 个样本），Cox-CC 从 0.7868 提升至 0.8111，DeepSurv 从 0.7722 提升至 0.8043。
小样本敏感性： 在更小的数据集（如 $n=50$ ）中，这种提升更为显著。
策略选择：
- 当目标数据**充足（ $\ge$ 500）**时，重训练通常优于微调。
- 当目标数据**有限（ $\le$ 200）**时，微调（特别是仅调整输出层）能产生更好的结果，避免了因数据不足导致的重训练不稳定性。

非参数化模型（迁移生存森林 - TSF）

卓越性能： TSF 达到了所有测试模型中的最高性能。在使用全量数据集时，TSF 的 $C_{td}$ 达到 0.8297，优于表现最好的神经网络模型（DeepHit 为 0.8135）。
正向迁移 vs. 负向迁移：
- 正向迁移： 当目标数据充足（ $\ge$ 40 个样本）时，TSF 的表现优于“仅源模型”和“仅目标模型”基准。
- 负向迁移： 当目标数据极其匮乏（ $< 40$ 个样本）时，TSF 的表现可能低于非迁移的目标模型。这归因于在有限数据下重新计算分裂值时产生的高方差。
最优配置： 为了减轻小样本情况下的负向迁移，作者建议仅迁移前 1 或 2 层的树结构（TSF-T1 或 TSF-T2），并避免过度深度的树，以防止过拟合。

意义与主张

本文声称，迁移学习是增强小样本环境下癌症预后模型的有效且可行的策略，而这正是临床研究中的常见瓶颈。

弥合数据差距： 本研究验证了大规模公共数据集（SEER）可以作为局部小规模临床队列（WCH）的稳健预训练源，在传统方法失效的情况下显著提高预测精度。
方法论创新： TSF 的引入填补了文献中的关键空白。虽然参数化神经网络的迁移学习已趋于成熟，但本研究提供了第一个专门用于向基于树的生存模型迁移知识的框架，利用了它们的解释性和鲁棒性。
实践指南： 研究为从业者提供了经验性的指导原则：
- 对于神经网络，重训练与微调的选择应由可用的目标样本量决定。
- 对于基于树的模型，仅迁移顶层结构对于平衡源知识的收益与适应目标数据分布的需求至关重要。
临床适用性： 研究结果表明，这些技术不仅限于结直肠癌，还普遍适用于其他时间-事件医学结局，包括源自电子健康记录和多模态数据（如影像学、基因组学）的结局，前提是源任务与目标任务具有相关的底层特征。

作者总结道，虽然迁移学习带来了实质性的改进，但需要仔细的配置以避免负向迁移，尤其是在目标数据极其有限的情况下。所提出的 TSF 方法的源代码已公开，以促进进一步的研究与应用。