🤖 machine learning

SurvBench: A Standardised Preprocessing Pipeline for Multi-Modal Electronic Health Record Survival Analysis

SurvBench 是一个开源的标准化预处理流程，它将来自四个重症监护数据库和四种模态的原始 PhysioNet 电子健康记录数据转换为模型就绪的张量，从而解决了当前阻碍深度学习生存模型公平比较的上游数据处理不一致问题。

原作者： Munib Mesinovic, Tingting Zhu

发布于 2026-05-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Munib Mesinovic, Tingting Zhu

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

想象一下，你正在尝试构建一个终极配方，用于预测患者将在医院停留多久，或者他们是否会去世。你拥有四个不同的厨房（四个庞大的患者记录数据库：MIMIC-IV、eICU、HiRID 和 MC-MED）。每个厨房都有自己储存食材的方式、自己的量杯，以及自己杂乱的台面。

在过去，每一位想要测试新配方（AI 模型）的厨师（研究人员）都必须先清理自己的厨房。有的厨师将蔬菜（数据）切成小方块，而有的则保持原样。有的用水清洗肉类（填补缺失数据），有的则用肥皂。因为每个人清理厨房的方式不同，所以无法判断一个新配方是否真的更好，还是仅仅因为那位厨师的厨房起点更干净才显得更好。

SurvBench 登场了。

将 SurvBench 想象成一个通用、自动化的厨房备料站。它是一个免费、开源的工具，能将来自这四家不同医院的原始、杂乱的食材，转化为完美标准化、"模型就绪"的包装。

以下是其工作原理，分解为简单的部分：

1. 通用翻译器（预处理）

该论文认为，该领域最大的问题并非 AI 模型本身，而是"预处理差距"。SurvBench 通过充当严格的翻译器来解决这一问题。

标准化单位：如果一家医院用华氏度记录体温，而另一家用摄氏度，SurvBench 会在任何人接触数据之前，将它们全部转换为同一刻度。
处理缺失数据：有时患者的某小时心率未被记录。SurvBench 不会随意猜测；它使用特定规则（查看最后一个已知值）来填补空白，并且关键的是，它会附加一个**"缺失掩码"**。这就像贴在食材上的一张便签，写着："此数值由机器填充，而非实测。"这确保了 AI 能区分真实的零值和推测的零值。
时间窗口：SurvBench 不再查看混乱的数据流，而是将患者的住院时间切分成整齐、等长的时间块（就像切面包一样），使每位患者的数据呈现相同的形状。

2. 四个厨房（数据库）

SurvBench 连接到四个主要的公共数据库，它们就像四种不同类型的医院：

MIMIC-IV 与 eICU：这些是重症监护室（ICU）记录的巨大集合。它们追踪患者从进入 ICU 到离开或去世的全过程。
HiRID：另一个 ICU 数据库，来自瑞士，拥有极高分辨率的数据（每隔几分钟进行一次测量）。
MC-MED：这是一个急诊科（ED）数据库。它不仅仅追踪死亡，还追踪患者接下来的去向：是回家、去普通病房，还是被送往 ICU？这是一个"竞争风险"场景，就像一场有多个可能终点线的比赛。

3. 食材（模态）

SurvBench 不仅仅关注单一事物；它将四种不同类型的"食材"组合成一个单一的张量（多维数据块）：

静态：不变的事物，如年龄、性别和体重。
时间序列：随时间变化的心跳、血压和实验室结果。
ICD 代码：医疗诊断代码（如患者的疾病史）。
放射学报告：X 光和 CT 扫描报告中的文本，该工具利用先进的语言模型将其转化为数学数值。

4. 味觉测试（结果）

为了证明其备料站有效，作者不仅建造了该站点，还使用标准化食材烹饪了五种不同的"配方"（AI 模型），以查看哪一种味道最佳。

他们测试了经典的统计方法和现代深度学习模型（如 Transformer，通常用于语言处理，现正被用于时间序列数据）。
获胜者：在 ICU 数据上，能够查看患者生命体征历史（时间序列）的模型，表现远优于仅查看年龄等静态事实的模型。
多模态明星：他们构建的一个名为 TransformerSurv 的新模型（使用了全部四种食材类型）表现非常出色，特别是在急诊科数据上，它能够结合实验室结果与放射学报告中的文本。

核心要点

该论文声称，SurvBench 是首个针对这些主要数据库标准化生存分析"准备工作"的工具。

在此之前，比较两个 AI 模型就像比较两名在不同起跑线起跑的跑步者。现在，有了 SurvBench，每个人都在完全相同的起跑线、穿着相同的鞋子、跑在相同的跑道上。这使得研究人员最终能够说，"模型 A 实际上优于模型 B"，而不是"模型 A 仅仅拥有更好的数据清洗流程"。

作者强调，该工具并非一种万能灵丹妙药，也不是明天就能供医院使用的成品。它是一个基础。它提供了一个公平的竞技场，以便未来的科学家能够构建更好、更安全、更可靠的 AI 模型，而无需陷入清理数据这一杂乱细节的泥潭。

简而言之：SurvBench 是伟大的均衡器。它将来自不同医院的杂乱、不一致的数据，用完全相同的规则清理好，然后交给 AI 研究人员，使他们最终能够公平地比较他们的想法。

技术摘要：SurvBench

问题陈述

针对电子健康记录（EHR）数据的深度学习生存模型面临着可复现性和公平比较的重大障碍：“预处理差距”。尽管下游建模架构（如 DeepSurv、Dynamic-DeepHit）日益复杂，但将原始 EHR 导出数据转换为模型就绪输入所需的上游步骤却很少被共享、记录或标准化。关于队列定义、时间离散化、缺失值处理、特征过滤和删失规则的关键决策在不同研究间存在差异。因此，报告的性能差异（例如在一致性指数方面）往往反映了这些预处理选择，而非真正的建模贡献。此外，现有的基准测试（如 MIMIC-III）已被 MIMIC-IV 取代，且缺乏对现代生存分析任务（包括竞争风险和多模态输入）的支持。

方法论

作者提出了 SurvBench，这是一个开源的、可配置的预处理流水线，旨在标准化从原始 PhysioNet 导出数据中构建生存分析队列的过程。

核心流水线架构

SurvBench 处理来自四个重症监护数据库的数据：MIMIC-IV、eICU、MC-MED 和 HiRID。它支持四种输入模态：

静态特征：人口统计学信息（年龄、性别等）。
时间序列：生命体征和实验室数值。
ICD 编码：诊断历史（多热编码）。
放射学：自由文本报告嵌入（通过 HuggingFace 模型如 Clinical-Longformer）。

该流水线通过以下阶段运行：

队列定义：通过 YAML 进行配置。它强制执行患者级别的分割以防止数据泄露（确保单个患者的所有住院记录均保留在同一折中）。它针对每个数据集应用特定过滤器（例如，ICU 数据集要求至少 24 小时的住院时长，年龄过滤器）。
生存标签处理：支持单风险（例如，ICU 内死亡率）和竞争风险（例如，急诊科处置：入院、观察、ICU 入院）终点。删失通过可配置时间范围内的行政截断处理（例如，ICU 为 240 小时，急诊科为 24 小时）。
时间序列处理：不规则采样的测量值使用均值聚合被聚合成固定宽度的时间窗口（例如，4 小时分箱）。特征基于缺失值阈值进行过滤（默认为训练窗口的 1%）。
缺失值处理：采用防泄露的两阶段策略：
1. 前向填充：在患者内部按小时分辨率进行前向填充。
2. 均值插补：剩余的缺失值使用仅基于训练折计算的每特征均值进行填充。
3. 掩码：为每个张量生成一个二进制掩码，以区分观测值与插补值。
缩放：使用仅在训练折上拟合的 StandardScaler 应用 Z 分数归一化。动态和静态特征块独立缩放，以防止静态特征主导动态块的缩放统计量。
多模态集成：静态特征在所有时间窗口上广播。ICD 编码和放射学嵌入与时间序列张量连接。

参考基线

为了验证流水线并提供基准，作者在生成的队列上训练了五个模型：

Cox 比例风险模型：拟合于均值池化的静态特征。
DeepHit：使用静态特征的离散时间竞争风险网络。
Dynamic-DeepHit：通过 LSTM 和时间序列数据的时序注意力扩展 DeepHit。
DySurv：具有特定原因逻辑风险头的 LSTM-变分自编码器。
TransformerSurv：一种利用预归一化（pre-LN）Transformer 编码器的新架构。它在两种配置中进行了测试：(a) 时间序列 + 静态，以及 (b) 完整多模态（包括 ICD 和放射学）。

主要结果

该流水线生成了范围从约 15,000（HiRID）到约 128,000（eICU）次 ICU 住院的队列。对参考基线的评估得出的关键发现包括：

时间数据的重要性：仅使用静态特征的模型（Cox、DeepHit）的表现显著低于使用时间序列数据的模型。在单风险 ICU 任务中，时序模型的一致性（ $C_{td}$ ）得分为 0.82–0.86，而静态模型的得分为 0.61–0.64。
多模态优势：在包含 ICD 和放射学的 MC-MED 数据集上，多模态 TransformerSurv 取得了最高的一致性（ $C_{td} = 0.774$ ），并且与仅时间序列变体相比，改进了校准指标（综合 Brier 分数和负二项对数似然）。
跨数据集迁移：在外部验证任务中（在 eICU 上训练并在 MIMIC-IV 上测试），Transformer 模型取得了最高的分布外判别能力（ $C_{td} = 0.812 \pm 0.007$ ），优于 Dynamic-DeepHit 和 DySurv。
校准与判别：研究强调了一种权衡，即模型可以很好地对患者进行排序（高一致性），同时产生校准不佳的概率。例如，在 MC-MED 上，Cox 比例风险模型具有最佳的校准（最低的 IBS），但一致性最差。

意义与主张

作者将 SurvBench 定位为并非提供“最先进”的模型，而是作为实现公平比较的标准化基础设施。

可复现性：通过提供单一的、由 YAML 控制的端到端流水线，SurvBench 消除了“预处理差距”，在此差距中，性能差异往往由未记录的数据处理选择而非模型架构驱动。
多模态支持：它是首个支持在多个主要 EHR 数据库（MIMIC-IV、eICU、MC-MED、HiRID）中整合时间序列、静态、ICD 和放射学模态以进行生存分析的公共流水线。
防泄露安全：该流水线严格确保插补、缩放和特征过滤仅在训练折上进行拟合，解决了生存分析中数据泄露的一个常见来源。
未来工作的基础：作者指出，提供的参考基线和处理后的队列构成了一个“基底”，未来的深度学习方法可以在匹配的预处理条件下对其进行衡量。

该论文得出结论，尽管该基准继承了源数据的人口统计学局限性（主要是美国和瑞士人群），但它为模型比较提供了严谨的技术基础，使研究人员能够专注于算法创新而非数据工程。