SurvHTE-Bench: A Benchmark for Heterogeneous Treatment Effect Estimation in Survival Analysis

本文提出了首个针对右删失生存数据中异质性处理效应估计的综合基准 SurvHTE-Bench，通过构建涵盖合成、半合成及真实世界数据的多样化数据集，首次对各类生存 HTE 方法在不同假设及现实条件下的表现进行了严谨评估，从而为因果生存分析方法的公平、可复现及可扩展评价奠定了基础。

要点

这篇论文介绍了一个名为 SURVHTE-BENCH 的新工具，你可以把它想象成**“生存分析领域的超级驾照考试”**。

为了让你更容易理解，我们先把里面的专业术语翻译成生活中的场景：

1. 核心问题：为什么我们需要这个“考试”？

想象一下，你是一家医院的院长，手里有两种药（A 药和 B 药）。你想给每个病人推荐最适合他们的药。

• 普通做法：看统计数据，发现 A 药平均能让人多活 5 天。于是你给所有人都开 A 药。
• 高级做法（异质性治疗效应，HTE）：你发现 A 药对年轻人效果很好，但对老年人可能完全没用，甚至有害。你想给每个人定制方案。

难点在哪里？
在医学研究中，我们面临两个巨大的麻烦：

1. 无法预知未来（反事实）：你只能看到病人吃了 A 药后的结果，永远无法同时看到“如果同一个人吃了 B 药会怎样”。
2. 数据不完整（删失，Censoring）：这是生存分析特有的。比如研究药物效果，有些病人在研究结束前还没死（或者失访了），我们只知道他们“活到了那天”，但不知道他们具体能活多久。这就叫“右删失”。

过去，科学家们发明了很多算法来算出“谁该吃什么药”，但大家各自为战，用的测试题不一样，导致没法公平比较谁的方法更好。这就好比有的厨师用“做红烧肉”来比试，有的用“做蛋糕”，根本没法说谁厨艺更高。

2. 解决方案：SURVHTE-BENCH（超级驾照考试）

这篇论文的作者们（来自卡内基梅隆大学等机构）建立了一个标准化的“考场”，用来公平地测试所有现有的算法。

这个考场由三部分组成：

A. 模拟考场（合成数据）

• 比喻：就像飞行模拟器。
• 作用：作者制造了 40 种完全不同的虚拟世界。
  • 有的世界里，病人是随机吃药的（像正规临床试验）。
  • 有的世界里，病人自己选药（像现实观察，可能有钱人只选贵的药，这就引入了“干扰因素”）。
  • 有的世界里，数据丢失得很严重（比如 90% 的病人都失访了）。
  • 有的世界里，甚至存在“隐形杀手”（未观测到的干扰因素）。
• 好处：因为这是模拟的，作者手里有**“标准答案”**（Ground Truth）。他们知道每个病人理论上该活多久，所以能精准打分，看哪个算法算得最准。

B. 半模拟考场（半合成数据）

• 比喻：用真实的病人档案，但把“吃药”和“结果”换成模拟的。
• 作用：就像用真实的赛车底盘，但换上模拟的引擎。这里使用了真实的医疗数据（如 HIV 临床试验数据、ICU 记录），保留了真实世界的复杂特征（比如年龄、种族、生活习惯的复杂关系），但人为设定了治疗结果。这样既真实，又有标准答案。

C. 实战考场（真实数据）

• 比喻：真正的路考。
• 作用：
  • 双胞胎数据集：这是一个神奇的“作弊”数据。因为双胞胎基因相似，我们可以假设“如果哥哥死了，弟弟没死，那弟弟就是哥哥的‘平行宇宙’版本”。这让我们能验证算法在真实世界准不准。
  • HIV 临床试验：这里没有标准答案，用来测试算法在面对真实、混乱数据时的稳定性。

3. 考试结果：谁赢了？

作者把 53 种不同的算法（就像 53 个不同的赛车手）扔进这个考场，让它们在各种极端条件下比赛。结果发现了一个有趣的现象：没有一种算法是万能的“车神”。

• 顺风局（数据好、干扰少）：有些算法（比如“双重机器学习”Double-ML）表现很好，像开在高速公路上，又快又稳。
• 逆风局（数据差、干扰多、很多人失访）：这时候，那些专门针对“生存时间”设计的算法（比如“生存元学习器”Survival Meta-learners 和“因果生存森林”Causal Survival Forests）表现更出色。
  • 比喻：就像在暴雨和泥泞中，普通的跑车（通用算法）容易打滑，而越野车（专门针对生存分析设计的算法）虽然慢一点，但能稳稳地开过去。

关键发现：

• 如果数据里很多人“中途失联”（删失率高），那些试图先“猜”出失联者结果再计算的算法（插补法），往往容易翻车。
• 那些直接处理“生存曲线”的算法，在复杂环境下更稳健。

4. 这个研究有什么用？

这就好比给未来的医生和 AI 开发者提供了一本**“避坑指南”**：

1. 不再盲目跟风：以前大家可能觉得某个新算法很火就跟着用。现在有了这个基准，你可以先看看你的数据像哪种“路况”（是干扰多？还是失访多？），然后选择最适合的算法。
2. 推动医疗进步：在精准医疗中，选错药可能救命也可能害命。这个基准能帮助筛选出最可靠的算法，确保给病人推荐的治疗方案是真正经过严格测试的。
3. 开源共享：作者把代码和数据都公开了，就像把“考卷”和“评分标准”都发给了全世界，让任何人都能来测试自己的新方法，推动整个领域共同进步。

总结

SURVHTE-BENCH 就是为了解决“如何在数据不完整、情况复杂的医疗数据中，精准地给每个人定制治疗方案”这个问题，而建立的一套公平、严格、全面的测试标准。它告诉我们：没有最好的算法，只有最适合当前数据环境的算法。

技术摘要

这是一篇发表于 ICLR 2026 的论文《SURVHTE-BENCH: A BENCHMARK FOR HETEROGENEOUS TREATMENT EFFECT ESTIMATION IN SURVIVAL ANALYSIS》（SURVHTE-BENCH：生存分析中异质性处理效应估计的基准测试）的详细技术总结。

1. 研究背景与问题定义 (Problem)

核心问题：
在精准医疗和个性化政策制定等高 stakes 应用中，从**右删失（right-censored）生存数据中估计异质性处理效应（Heterogeneous Treatment Effects, HTEs）**至关重要。然而，现有的生存分析 HTE 估计方法面临独特挑战：

• 删失数据： 事件发生时间仅对部分受试者可见，导致反事实结果不可观测。
• 识别假设复杂： 需要满足一致性、可忽略性（无未观测混杂）、正定性（重叠性）以及可忽略删失等假设，但在现实世界中这些假设常被违反。
• 评估标准缺失： 尽管已有从因果生存森林到生存元学习器（Meta-learners）等多种方法，但缺乏统一的基准。现有研究多依赖自定义模拟或地面真值未知的真实数据，导致不同方法间的比较缺乏标准化，难以评估其在假设违反下的鲁棒性。

目标：
构建一个全面、可复现的基准（SURVHTE-BENCH），用于在右删失生存数据下，系统性地评估和比较各种 HTE 估计方法，特别是在因果假设违反和不同删失率下的表现。

2. 方法论与基准设计 (Methodology & Benchmark Design)

该论文提出了 SURVHTE-BENCH，这是首个针对右删失生存数据 HTE 估计的综合基准。其核心设计包括三个主要部分：

A. 方法统一与实现 (Method Unification)

作者将现有的生存 HTE 方法归纳为三大类，并统一实现了 53 种 变体：

1. 结果插补法 (Outcome Imputation Methods)： 先将删失时间插补为完整事件时间（使用 Pseudo-obs, Margin, IPCW-T 等策略），然后应用标准的 CATE 估计器（如 S/T/X/DR-Learners, Double-ML, Causal Forest）。共 42 种变体。
2. 直接生存 CATE 方法 (Direct-Survival CATE Methods)： 直接针对删失数据建模，无需插补。包括 SurvITE 和 Causal Survival Forests (CSF)。共 2 种变体。
3. 生存元学习器 (Survival Meta-Learners)： 将 S/T/Matching-Learners 框架与生存模型（如 Random Survival Forests, DeepSurv, DeepHit）结合。共 9 种变体。

B. 数据集构建 (Dataset Construction)

基准包含三类数据，覆盖从受控环境到真实世界场景：

1. 合成数据集 (Synthetic Datasets)：
   • 规模： 40 个数据集。
   • 设计： 8 种因果配置（随机对照试验 RCT、观测研究 OBS，包含可忽略/不可忽略混杂、正定性违反、可忽略/信息性删失）$\times$ 5 种生存场景（Cox 比例风险、加速失效时间 AFT、泊松分布，涵盖低/中/高删失率）。
   • 特点： 已知地面真值（Ground Truth），可系统性地测试假设违反。
2. 半合成数据集 (Semi-Synthetic Datasets)：
   • 规模： 10 个数据集。
   • 来源： 基于 ACTG HIV 临床试验和 MIMIC-IV ICU 记录的协变量，模拟治疗和结果。
   • 特点： 保留真实协变量分布，同时拥有 HTE 真值，涵盖中等到极端删失率。
3. 真实数据集 (Real-World Datasets)：
   • Twins 数据集： 双胞胎数据，已知地面真值（每对双胞胎中一个接受“治疗”即较重，另一个未接受，可观测两个反事实结果）。
   • ACTG 175 HIV 临床试验： 真实临床试验数据，无地面真值，用于测试模型在真实协变量结构下的表现及不同删失率下的稳定性。

C. 评估指标 (Evaluation Metrics)

• CATE RMSE： 条件平均处理效应的均方根误差（主要指标）。
• ATE Bias： 平均处理效应的偏差。
• 辅助指标： 插补精度（MAE）、生存模型拟合度（C-index, AUC）等。

3. 主要实验结果 (Key Results)

通过对 53 种方法在 40 个合成数据集及真实数据上的广泛评估，得出以下关键发现：

A. 没有“万能”方法

没有任何单一方法在所有场景下都占优。性能高度依赖于因果假设、删失率和生存动态。

B. 假设违反的影响

• 随机化且平衡 (RCT-50)： 结果插补法（如 Double-ML, Causal Forest）表现优异。
• 未观测混杂 (Unobserved Confounding)： 生存元学习器和 Causal Survival Forests 表现出更好的稳定性，而插补类方法偏差增加。
• 正定性违反 (Positivity Violation)： 复杂的插补方法（Double-ML, X-Learner）在单一违反下表现尚可，但在多重违反下，生存元学习器（特别是 S-Learner-Survival 和 Matching-Survival）展现出更强的鲁棒性。
• 信息性删失 (Informative Censoring)： 所有方法性能均下降，但直接建模生存过程的方法（生存元学习器、CSF）优于插补法。

C. 删失率的影响

• 低删失率： Double-ML 等插补法表现良好。
• 高删失率 (>70%)： 生存元学习器（特别是基于 DeepSurv 的 S-Learner-Survival 和 Matching-Survival） 和 Causal Survival Forests 逐渐占据主导地位。直接生存建模在处理高删失数据的不确定性方面比插补策略更具优势。

D. 组件选择的重要性

• 插补策略： 在插补法中，Margin Imputation 在重删失下表现最稳健。
• 基学习器： 在生存元学习器中，DeepSurv 作为基模型通常优于 RSF 和 DeepHit，这解释了基于 DeepSurv 的配置在整体排名中的领先地位。

E. 真实数据表现

• Twins 数据： S-Learner 和 DR-Learner（插补类）以及 S-Learner-Survival 表现最好。Double-ML 在此特定数据集上表现意外地差，提示数据特异性。
• ACTG 175 数据： 在高删失注入下，Causal Survival Forests 的估计值最稳定（围绕基准线聚集），而生存元学习器（特别是 T-Learner 和 Matching-Learner）显示出对删失条件的敏感性（方差较大）。

4. 主要贡献 (Contributions)

1. 首个统一框架： 首次将生存 HTE 方法系统分类并统一实现为模块化框架，涵盖了 53 种变体，促进了方法间的公平比较。
2. 全面基准设计： 构建了包含 40 个合成、10 个半合成和 2 个真实数据集的基准，系统性地覆盖了因果假设违反（混杂、正定性、信息性删失）和多样化的生存分布。
3. 实证洞察： 揭示了不同方法在不同场景下的优劣边界，特别是证明了在高删失和假设违反场景下，直接生存建模方法（生存元学习器、CSF）通常优于传统的插补后回归方法。
4. 开源资源： 提供了完整的数据集、代码和复现脚本，填补了该领域长期缺乏标准化基准的空白。

5. 意义与未来展望 (Significance & Future Work)

• 临床决策支持： 该基准为精准医疗中的个性化治疗方案选择提供了更可靠的评估工具，帮助研究人员了解在何种数据条件下应选用何种算法。
• 推动方法发展： 通过揭示现有方法在信息性删失和未观测混杂下的局限性，指明了未来改进方向（如开发更鲁棒的直接生存估计器）。
• 局限性： 目前主要针对静态二值处理和固定协变量。未来工作可扩展至时变处理、动态协变量、工具变量以及多值/连续处理效应。
• 社区基础设施： SURVHTE-BENCH 旨在成为生存因果推断领域的标准基础设施，促进可复现研究和持续进步。

总结：
SURVHTE-BENCH 通过严谨的实验设计，证明了在生存分析中估计异质性处理效应时，“没有银弹”。选择最佳方法必须考虑数据的具体特征（特别是删失率和假设满足程度）。在现实世界常见的高删失和假设违反场景下，直接针对生存数据建模的方法（如生存元学习器和 Causal Survival Forests）通常比先插补再回归的方法更具鲁棒性。