🧬 biology

Multimodality Stacking with Blockwise missing values and application to the PIONeeR biomarkers study for prediction of resistance to immunotherapy

本文提出了具有分块缺失值的多模态堆叠（MSB）方法，这是一种晚期融合生存分析框架，能够有效整合异质且部分缺失的临床数据，相较于标准基线模型，显著提高了非小细胞肺癌患者免疫治疗耐药性的预测能力。

原作者： Mohamed Boussena, Florence Monville, Jacques Fieschi-Meric, Frederic Vely, Pierre Milpied, Julien Mazieres, Maurice Perol, Eric Vivier, Laurent Greillier, Fabrice Barlesi, Sebastien Benzekry

发布于 2026-05-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Mohamed Boussena, Florence Monville, Jacques Fieschi-Meric, Frederic Vely, Pierre Milpied, Julien Mazieres, Maurice Perol, Eric Vivier, Laurent Greillier, Fabrice Barlesi, Sebastien Benzekry

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你正在尝试预测一名晚期肺癌患者在开始新的免疫治疗后能保持健康多久。为此，医生通常会收集海量信息：血液检查、肿瘤活检、基因测序以及常规临床记录。

然而，在现实世界的医学研究中，这些数据很少是完美的。通常，某些患者的整块信息会缺失。例如，某位患者可能完成了全套血液检查，但因样本耗尽而未进行肿瘤活检；或者某项特定的基因检测仅在一家医院可用，而在其他医院则不可用。这被称为“块状缺失”（blockwise missingness）——就像试图拼凑一幅拼图，其中缺失的是整块拼图，而不仅仅是零星的小碎片。

本文介绍了一种名为 MSB（基于块状缺失值的多模态堆叠，Multimodality Stacking with Blockwise missing values）的新方法来解决这一问题。以下是通过简单类比对其工作原理的解释：

问题所在：“全有或全无”的方法

传统上，如果患者缺失哪怕一项关键数据（如肿瘤活检），标准的计算机模型往往不得不完全丢弃该患者的数据。这就像一位厨师因为缺少一种特定的香料而拒绝烹饪整道菜，尽管他们拥有其他充足的食材。这种做法浪费了宝贵的信息，并缩小了模型可学习的患者群体范围。

其他方法试图通过“猜测”（插值）来填补缺失的数值。然而，当你面对数百种不同类型的数据和高维数据时，这种猜测可能导致错误，从而使模型变得不可靠。

解决方案：“专家小组”（MSB）

MSB 不试图将所有数据强行塞进一个巨大而混乱的堆中，而是采用一种称为“后期融合”（Late Fusion）的策略。可以将其想象为组建一个由专家法官组成的评审团，而不是要求一个人包揽所有工作。

专业团队：该方法将数据按其原始来源（即“块”）进行拆分。
- A 组仅查看常规临床记录（年龄、吸烟史）。
- B 组仅查看血液检测结果。
- C 组仅查看肿瘤组织分析。
- 以此类推，涵盖所有 8 种不同的数据来源。
独立意见：每个团队仅利用其拥有的数据构建自己的预测模型。如果 C 组（肿瘤组织）没有某位特定患者的数据，他们 simply 不对该患者做出预测。他们不猜测，只是保持沉默。
首席法官（元学习器）：一位最终的“首席法官”（一种计算机算法）收集所有“发言”团队提供的预测（风险评分）。
- 如果某位患者有血液数据但没有肿瘤数据，首席法官会听取 B 组的意见，但忽略 C 组。
- 随后，首席法官将这些部分意见整合为一个最终、稳健的预测。

为何此法更有效

本文在名为 PIONeeR 的真实研究中测试了该方法，该研究涉及 443 名肺癌患者和 378 种不同的生物标志物。

更高的准确性：与标准方法相比，MSB 方法在预测患者预后方面显著更优。例如，在使用简单线性模型时，MSB 将准确性提高了近 16%。即使在使用高级模型时，它仍能提供虽小但具有统计学意义的提升。
减少过度自信：标准模型往往对训练数据记忆过深（过拟合），导致在新患者身上表现不佳。MSB 起到了“正则化”的作用，使模型保持诚实，防止其基于噪声做出荒谬的猜测。
无需“伪造”数据：该方法证明，无需猜测缺失值也能有效工作。它学会了正确权衡可用信息。
真正重要的因素：当研究人员询问模型“哪些因素最重要？”时，模型指出是常规临床特征、血液标志物和 PD-L1 表达（肿瘤细胞上的一种蛋白质）。有趣的是，模型并未依赖“数据缺失”这一事实来做决策。它没有说：“哦，这位患者缺少活检，所以他们一定病得很重。”相反，它专注于可用数据中实际存在的生物信号。

核心结论

MSB 框架是一种处理杂乱无章的现实世界医学数据的新方法。它不再丢弃记录不完整的患者，也不强迫进行糟糕的猜测，而是将不同的数据源视为独立的专家。它倾听每位患者可用的任何专家意见，并综合他们的智慧以做出更准确的预测。

作者总结道，这是一个经过统计验证的工具，使研究人员能够在不需要每位患者都完成所有检查的情况下利用所有数据，从而为分析复杂的癌症研究迈出了实用的一步。然而，他们指出，在将此方法用于为患者制定实际医疗决策之前，需要在该特定研究之外的其他人群中进行测试。

技术摘要：具有块状缺失值的多模态堆叠（MSB）

问题陈述
本文解决了临床肿瘤学生存分析中同时存在的三个挑战：高维度（ $n \sim p$ 或 $n \ll p$ ）、大量缺失数据以及数据源内部的高度多重共线性。具体而言，作者聚焦于块状缺失（blockwise missingness），这是一种结构性问题，由于多中心研究中的异质性收集方案，特定患者子集完全缺乏某些数据模态（来源）。标准方法通常依赖列表删除（排除数据不完整的患者），这会减少样本量并引入系统性偏差，或者依赖标准插补技术，而这些技术在维度增加时会丧失保真度。现有的多模态学习方法通常按特征处理表格数据，而非将其视为统一模态，或者它们是深度学习模型，需要比典型临床队列中可用的样本量更大的数据。

方法论：MSB 框架
作者提出了具有块状缺失值的多模态堆叠（Multimodality Stacking with Blockwise missing values, MSB），这是一种旨在处理这些约束而无需所有模态均具备完整数据的晚期融合元学习框架。

架构：MSB 将模态特定学习与全局聚合解耦。
- 基础学习器：针对 $S$ 个数据源（模态）中的每一个，训练三个独立模型：惩罚 Cox 模型（CoxNet）、随机生存森林（RSF）和分量梯度提升模型（CWXGB）。
- 处理缺失性：该框架明确考虑了块状缺失性。如果某患者的某个来源缺失，则不应用该来源对应的基学习器。
- 元学习器：基础学习器的输出（风险评分）由元学习器进行聚合。为防止过拟合，元学习器使用基础学习器的折外交叉验证预测进行训练。
- 缺失性指示器：将每个块的缺失率作为特征添加到元学习器中，以控制潜在的偏差，尽管该研究探讨了模型是从这些模式中学习，还是从生物标志物值本身进行学习。
插补策略：本文评估了 MSB 的三种变体：
- MSB $_{imp}$ ：在按模态拆分之前，使用 k 近邻（kNN）对原始数据进行插补。
- MSB：在堆叠步骤之前，对聚合后的生存风险评分（低维空间）进行插补。
- MSB $_{MIA}$ ：在基于树的元学习器（特别是 RSF）中直接使用“属性中包含缺失值”（Missing Incorporated in Attributes, MIA），将缺失性视为一个独立类别而不进行插补。
验证：该框架在PIONeeR数据集上使用 5 折交叉验证（重复 3 次）进行了验证。性能使用 C 指数（区分度）和综合 Brier 分数（iBS，校准度）进行衡量，统计显著性通过校正了错误发现率（FDR）的配对 Wilcoxon 符号秩检验进行评估。

关键结果
本研究利用 PIONeeR 数据集（ $n=443$ 名患者，8 个异质来源共 378 个生物标志物）预测接受免疫治疗的晚期非小细胞肺癌（NSCLC）患者的无进展生存期（PFS）。

预测性能：MSB consistently 优于在同一数据（经 kNN 插补）上训练的基线算法。
- 线性模型：MSB-CoxNet 的 C 指数提高了15.9%（从 0.572 提升至 0.663， $p < 0.001$ ）。
- 随机森林：MSB-RSF 提高了5.4%（从 0.647 提升至 0.682， $p = 0.002$ ）。
- 梯度提升：MSB-CWXGB 提高了2.1%（从 0.678 提升至 0.692， $p = 0.030$ ）。
泛化能力：一个关键发现是泛化差距（训练性能与测试性能之间的差异）的缩小。对于线性模型，该差距从基线的 0.380 降低至 MSB 的 0.055，表明 MSB 作为防止过拟合的有效正则化器。
模态重要性：置换重要性分析确定常规临床特征（来源 A）、**医学生物学/血液标志物（来源 B）和PD-L1 表达（来源 E）**是主要的预测驱动因素。
缺失性偏差：缺失块指示器显示出可忽略的重要性。这表明模型是从实际的生物标志物值中学习，而不是从数据可用性模式中学习，从而缓解了人们担心模型仅仅是根据缺失数据来区分来自不同临床中心（例如，APHM 与其他中心）的患者。

意义与主张
作者声称，MSB 提供了一个经过统计验证的框架，用于在存在块状缺失的情况下进行多模态生存预测。其主要意义在于：

处理结构性稀疏：它使得系统性的生物标志物评估成为可能，而无需所有模态均具备完整数据，避免了与列表删除相关的样本量减少。
小队列中的鲁棒性：通过将高维特征空间分解为模态特定的子问题并聚合风险评分，MSB 缓解了“维数灾难”和过拟合，使其适用于 $n \ll p$ 的临床队列。
实际适用性：该框架为数据可用性因站点或方案而异的多中心研究中的预测建模提供了工具。

局限性与范围
本文对其主张保持适度的立场：

缺乏外部验证：所有结果均源自单一队列（PIONeeR，17 个法国中心）。作者明确指出，在独立国际队列中进行外部验证之前，MSB 应被视为一种生物标志物研究的方法论框架。
终点特异性：研究聚焦于无进展生存期（PFS），未扩展到竞争风险或治愈分数模型，尽管作者指出这些是潜在的未来方向。
插补策略：虽然使用 kNN 插补是出于计算效率和稳定性的考虑，但作者承认可能存在更复杂的插补策略，但由于观察到 MSB 变体之间的性能差异极小（ $\Delta$ C 指数 < 0.01），因此未予 pursue。

MSB 框架的实现已在 Inria 许可下公开。

问题所在：“全有或全无”的方法

解决方案：“专家小组”（MSB）

为何此法更有效

核心结论

技术摘要：具有块状缺失值的多模态堆叠（MSB）

类似论文