技术摘要：SURVDIFF

问题陈述

生存分析是临床研究中用于建模时间-事件结局（如疾病复发或患者死亡）的基础工具。与标准表格数据不同，生存数据具有右截断（right-censoring）的特征，即由于失访、随访中断或研究终止，某些个体的目标事件并未被观察到。这为合成数据生成带来了独特的挑战：模型不仅必须重现患者协变量的分布，还必须忠实地捕捉时间-事件分布以及截断机制。

现有的表格数据生成模型（如 GAN、VAE、标准扩散模型）在这一背景下表现不佳，因为它们并非为处理协变量、事件时间与截断指示量之间的相互作用而设计。将这些模型进行简单应用往往会导致下游临床结果出现偏差。此外，现有的针对生存数据定制的方法（如 SurvivalGAN 和 Ashhad 框架）存在显著局限性：

1. 不稳定性： SurvivalGAN 依赖于 GAN 骨干网络，容易出现模式崩溃（mode collapse）和训练不稳定问题。
2. 分解式架构： 现有方法都将生成任务分解为多个阶段（协变量 vs. 事件时间/截断），而非学习一个统一的联合模型。这种多阶段流水线容易产生误差传播，并阻碍端到端的优化。

迄今为止，尚未出现专门用于在保持截断机制的同时生成合成生存数据的端到端扩散模型。

方法论：SURVDIFF

作者提出了 SURVDIFF，一种专门为生成合成生存数据而设计的全新端到端扩散模型。SURVDIFF 能够联合生成混合类型协变量、事件时间以及右截断指示量。

架构与流程

SURVDIFF 遵循一个针对混合类型数据适配的标准扩散框架，包含三个主要部分：

1. 前向扩散过程：

   • 连续变量： 对于连续型协变量和事件时间，模型采用方差爆炸（VE）随机微分方程（SDE），通过高斯噪声对数据进行扰动。
   • 离散变量： 对于离散型协变量和二元事件指示量，模型使用掩码扩散过程（masked diffusion process）。离散值会被逐步替换为一个“掩码”状态，并遵循预设的概率计划，从而迫使模型在逆向过程中学习原始值。

2. 逆向扩散过程：

   • 一个由参数 $\theta$ 参数化的神经网络学习迭代地对数据进行去噪，从纯噪声中重建原始协变量、事件时间及指示量。
   • 该网络同时输出对连续/去噪特征以及离散/掩码特征的预测。

3. 生存定制损失函数：
   SURVDIFF 的核心创新在于一个自定义损失函数，该函数引导生成过程遵循生存特定的结构。总损失是扩散损失与生存损失的加权和：
   $$\mathcal{L}_{total}(\theta) = \mathcal{L}_{diff}(\theta) + \lambda_{surv}\mathcal{L}_{surv}(\theta)$$

   • 扩散损失 ($\mathcal{L}_{diff}$)： 针对连续变量（MSE）和离散变量（交叉熵）的标准重建损失。
   • 生存损失 ($\mathcal{L}_{surv}$)： Cox 偏似然负对数似然的扩展。它将去噪后的协变量映射到风险评分，并优化事件时间的排序。
   • 稀疏感知权重（Sparsity-Aware Weighting）： 一个关键的设计选择旨在解决后期时间点风险集稀疏的问题。作者引入了一个权重方案 $w_i$，利用指数衰减对长持续时间下的稀有事件（即 $t_i > \tau$）进行降权。这通过防止模型被分布尾部微小风险集产生的极不稳定梯度所主导，从而稳定了训练。

   权重 $\lambda_{surv}$ 在预热期内进行自适应校准，以确保生存项贡献于目标的特定比例，从而平衡扩散损失与生存损失之间的尺度。

核心贡献

1. 首个面向生存数据的端到端扩散模型： SURVDIFF 是第一个专门设计用于生成合成生存数据的扩散模型，填补了现有文献中扩散模型仅限于通用表格数据的空白。
2. 联合建模： 不同于以往将协变量生成与事件时间生成分离的方法，SURVDIFF 在单个端到端框架内对协变量、事件时间和截断进行联合建模，避免了误差传播。
3. 截断感知目标： 该方法引入了一种新型损失函数，该函数编码了时间-事件结构，并通过稀疏感知权重方案显式考虑了截断机制，确保了真实的事件时间分布。
4. 达到最先进性能（SOTA）： 大量实验证明，SURVDIFF 在分布保真度和下游生存分析性能方面均优于现有基准模型（包括 SurvivalGAN、Ashhad 以及通用的表格扩散模型如 TabDiff）。

实验结果

作者在三个医学数据集上评估了 SURVDIFF：ACTG (AIDS)、GBSG2 (乳腺癌) 和 METABRIC (乳腺癌)。

评估指标

• 协变量保真度： 通过 Jensen-Shannon (JS) 距离和 Wasserstein 距离进行衡量。SURVDIFF 在所有数据集上均实现了最低的 JS 距离，并取得了极具竞争力的 Wasserstein 距离，显著优于 SurvivalGAN。
• 生存特定保真度： 通过事件时间差异（ETD）和时间分布图进行评估。SURVDIFF 成功重现了截断事件和非截断事件的时间模式，而 TabDiff 等基准模型则未能保留截断机制。
• 下游性能： 使用合成数据集训练了五种不同的生存模型（DeepHit, CoxPH, Weibull AFT, Random Survival Forest, XGBoost），随后在真实数据上进行测试。
  • 在 AIDS 和 GBSG2 数据集上，SURVDIFF 实现了最高的**一致性指数（C-index）**和最低的 Brier 分数，尤其是在强右截断的设置下。
  • 在 METABRIC 数据集上，SURVDIFF 在保持卓越生存特定保真度的同时，在下游指标上与 TabDiff 保持了竞争力。

其他发现

• 小样本敏感性： 在针对下采样数据集的敏感性研究中，SURVDIFF 相比基准模型展现出实质性的改进，凸显了其在数据匮乏的医疗场景中的鲁棒性。
• 差分隐私： 作者展示了通过使用 DP-SGD，可以将 SURVDIFF 扩展为差分隐私版本（DP-SURVDIFF），在提供隐私保证的同时优于 DP-GAN 基准模型。

重要性与主张

本文声称 SURVDIFF 代表了合成临床数据生成领域的重大进展。通过忠实地重现患者特征以及生存数据固有的复杂截断机制，SURVDIFF 能够为以下领域创建高质量的合成数据集：

• 扩充小型医学数据集。
• 减轻偏差并提高临床研究的公平性。
• 在不牺牲患者隐私的前提下，促进低资源医疗环境下的数据可及性。

作者强调，其方法首次成功将生存分析的独特挑战（时间-事件及截断）整合到稳定、高保真的扩散模型框架中，为不稳定的 GAN 类方法和碎片化的多阶段流水线提供了可靠的替代方案。