🤖 AI

Towards end-to-end LLM-based censoring-aware survival analysis

本文介绍了 LLMSurvival，这是一个使未经修改的大语言模型能够对表格化临床数据执行端到端且考虑删失的生存分析的框架，其通过将时间至事件预测重构为成对排序任务，在 ICU 死亡率预测和骨折风险预测中实现了优于传统 Cox 模型和深度学习基线的性能。

原作者： Yishu Wei, Hexin Dong, Yi Lin, Jiahe Qian, Yi Liu, Yifan Peng

发布于 2026-05-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yishu Wei, Hexin Dong, Yi Lin, Jiahe Qian, Yi Liu, Yifan Peng

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

以下是论文LLMSurvival的解读，通过简单概念和日常类比进行拆解。

核心难题：“缺失时间”的谜题

想象一下，你试图预测谁会最先跑完马拉松。在常规比赛中，你观察所有人冲过终点线并记录他们的用时。

但在医学研究（称为生存分析）中，情况很棘手。有时，一名选手（患者）因生病而提前退赛，或者比赛在他们完成前就结束了。我们不知道如果他们坚持参赛，究竟会何时完成。在统计学中，这被称为删失（censoring）。

长期以来，强大的人工智能工具——大语言模型（LLMs）（即驱动聊天机器人的相同技术）——无法解决这个谜题。它们擅长阅读文本和回答问题，但当“答案”缺失或不完整时，它们就会束手无策。大多数研究人员不得不仅利用 AI 来阅读笔记，然后将数据交给另一种更传统的数学模型来进行实际预测。

解决方案：LLMSurvival

作者创建了一个名为LLMSurvival的新框架。他们不再问 AI：“这名患者还有多少天会生病？”，而是彻底改变了问题。

类比：“谁状况更糟？”游戏
想象你是一名医生，正在观察两名患者：患者 A 和患者 B。

旧方法： 尝试猜测患者 A 确切会在哪一天生病。（如果缺乏完整数据，这很难。）
LLMSurvival 方法： 问 AI：“在患者 A 和患者 B 之间，谁更有可能更早生病？”

这是一个成对排序游戏。即使我们不知道患者 A 确切何时会生病，我们也可能知道患者 A 在患者 B 退出研究之前就已经生病了。这就足以让 AI 进行学习。

工作原理（分步解析）

将数字转化为故事：
医疗数据通常以包含“年龄：65"或“血压：120"等数字的电子表格（表格）形式存在。AI 无法很好地阅读电子表格。因此，系统将这些行转化为故事：“这名患者 65 岁，患有高血压，并且吸烟。”现在，AI 可以像读书一样阅读它。
训练营（成对比较）：
AI 通过向它展示成千上万对患者来进行训练。它必须决定：“谁的风险更高？”
- 如果 AI 答对了，它就学会了。
- 如果它答错了，它就会调整其“大脑”。
- 关键在于，它只比较那些结果明确的患者（例如，患者 A 肯定在患者 B 失访之前生病了）。这绕过了“缺失时间”的问题。
最终考试（锚定法）：
当一名新患者到来时，AI 并不猜测一个数字。相反，它将这名新患者与训练数据中固定的 50 名“锚定”患者进行比较。
- 问题： “这名新患者比锚定患者 #1 风险更高吗？”（是/否）
- 问题： “这名新患者比锚定患者 #2 风险更高吗？”（是/否）
- ……以此类推，共 50 个锚定患者。
- 得分： 如果 AI 对 50 个锚定患者中的 40 个回答“是”，则该患者获得高风险评分（80%）。如果只对 5 个回答“是”，则评分较低。

它奏效了吗？

研究人员在两种截然不同的医疗场景中测试了该方法：

ICU 死亡率： 预测重症监护室（ICU）患者是否会在近期去世。
骨折风险： 预测老年人在未来几年内是否会骨折。

结果：

优于专家： 在这两种情况下，LLMSurvival 的表现都优于医生目前使用的标准数学模型（如 Cox 模型），也优于专门的“专家评分”（如用于 ICU 的 SAPS-II 和用于骨骼的 FRAX）。
优于其他 AI： 它还击败了其他专为生存分析设计的深度学习模型。
“原因”： 当研究人员要求 AI 解释其选择时，它给出了合乎逻辑的理由，例如“患者 B 的氧气水平较低且发烧更高”，这表明它实际上是在理解医疗背景，而不仅仅是在猜测。

为什么这很重要

不再需要“特征提取器”： 以前，AI 只是一个从笔记中提取信息的助手。现在，AI 本身就是做出预测的医生。
本地化且私密： 所使用的模型足够小，可以在单台计算机（如医院的标准服务器）上运行，无需将敏感的患者数据发送到云端。
灵活： 相同的“游戏”（比较两名患者）既适用于快节奏的 ICU 急救，也适用于缓慢发展的骨折风险，证明了该方法具有极强的适应性。

一句话总结

这篇论文证明，如果你不再要求 AI 预测一个具体的日期（在数据缺失的情况下这很难），而是让它比较两个人（这对 AI 来说很容易理解），你就可以构建一个高度准确的医疗预测工具，它能自然地处理缺失数据，并超越当前的标准方法。

技术摘要：LLMSurvival

问题陈述
生存分析是医学预测的基石，旨在模拟事件的发生及其发生的时间。然而，将大语言模型（LLM）作为端到端生存模型的应用一直受到删失（censoring）挑战的阻碍。在删失数据中，事件的确切发生时间未知，因为受试者可能退出研究，或者观察期在事件发生前结束。这种缺乏明确真实标签的情况，阻碍了依赖确定性目标的标准化监督微调（SFT）和强化学习框架的直接应用。因此，先前的研究大多将 LLM 局限于特征提取器的角色，或要求进行大量的架构修改（例如在 LLM 之上添加神经网络），而非将 LLM 作为主要的预测引擎。

方法论：LLMSurvival
作者提出了LLMSurvival，这是一个框架，能够在未经修改的 LLM 直接处理表格化临床数据的情况下，实现感知删失的生存分析。其核心创新在于将时间至事件预测重新表述为成对排序问题，从而规避了对绝对时间标签的需求。

数据转换：使用模板将结构化的表格变量（如年龄、生命体征、实验室结果）转换为自然语言陈述（例如，“年龄为 79 岁；性别为女性”）。
成对表述：模型不再预测具体的生存时间，而是被训练用于判断两个可比较的受试者中谁会更早经历事件。
- 训练对：构建有效的训练对 $(i, j)$ ，其中受试者 $i$ 经历了事件（ $e_i=1$ ），且其发生时间早于受试者 $j$ 的随访时间（ $t_i < t_j$ ）。只要删失受试者的观察时间长于另一受试者的事件发生时间，他们也可被包含在内。
- 目标：模型通过监督学习进行微调，以预测相对排序。损失函数是针对有效可比较对的二元交叉熵目标，旨在优化模型为更早经历事件的受试者分配更高风险评分的概率。
- 采样：为了管理生成所有可能对的计算成本，采用嵌套病例对照采样策略，为每个事件病例选择固定数量的对照（随访时间更长的受试者）。
基于锚点比较的推理：在测试期间，不直接预测受试者的风险评分。相反，将测试受试者与从训练队列中采样的固定 $K$ $K$ 个“锚点”个体进行比较。
- 模型预测测试受试者是否比每个锚点具有更高的风险。
- 最终的风险评分是测试受试者被判定为风险高于其的锚点所占的比例。
模型：该框架使用两个经过指令微调、可本地部署的 LLM 进行评估：Llama 3.1-8B-Instruct 和 Qwen 2.5-7B-Instruct。

主要贡献

端到端 LLM 生存建模：本文提出了一个概念验证，证明可以直接训练 LLM 作为生存模型，无需架构修改，超越了其传统上作为特征提取器的角色。
删失问题的解决：通过将问题重新表述为排序任务，该方法自然地将删失观测值纳入训练过程，解决了事件时间缺失这一根本障碍。
可移植性：该框架被证明可跨不同的临床背景（急性 ICU 死亡率和慢性骨折风险）进行移植，而无需针对特定任务进行架构更改。
本地部署：使用紧凑的、公开可用的基础模型（7B/8B 参数）允许本地部署，减轻了与外部 API 调用相关的隐私担忧。

结果
该框架在两个不同的临床任务上进行了评估：

ICU 死亡率预测（MIMIC-IV）：
- LLMSurvival 实现了 0.776（Llama）和 0.784（Qwen）的总体 C 指数。
- 这比 Cox 比例风险模型（0.753）提高了 3.1%，比既定的临床评分 SAPS-II（0.746）提高了 3.0%。
- 其平均表现优于三种深度学习基线（Cox-nnet、DeepHit、DeepSurv）。
脆性骨折预测（NYP/WCM 队列）：
- LLMSurvival 实现了 0.742（Llama）和 0.741（Qwen）的总体 C 指数。
- 这显示出比 Cox 模型提高了 0.5%，比 FRAX 临床评分（0.660）显著提高了 8.2%。
- 在各种时间范围（2 年、3 年和 5 年）下，其表现与深度学习基线相当或更优。

在这两项任务中，Kaplan-Meier 分析证实，LLMSurvival 有效地将患者分层为高风险和低风险组，具有不同的生存轨迹（ICU 的风险比为 4.80，骨折为 4.02）。对模型输出的定性分析表明，LLM 为其成对比较生成了临床上一致的理由，引用了相关的风险因素，如入院严重程度、氧合水平和合并症负担。

意义与主张
作者声称，LLMSurvival 证明了通过基于比较的重新表述，带有删失的生存建模可以与 LLM 微调相兼容。该研究作为一个概念验证，表明 LLM 可以扩展其能力，独立解决复杂的统计问题，而不是依赖混合架构。该框架能够超越专家精心策划的临床评分（SAPS-II 和 FRAX），表明 LLM 可以直接从数据中学习有意义的风险分层。此外，这项工作阐述了一个更广泛的原则：将统计上具有挑战性的问题重新表述为与 LLM 能力（如比较推理）相一致的任务，可以扩展语言模型在生物医学机器学习中的应用范围。

局限性
作者承认了几个局限性：

训练在不同采样配置下表现出一定的变异性，表明在优化稳定性方面仍有改进空间。
对的选择依赖于对照的随机采样；结构化策略可能会提高效率。
推理需要与锚点进行多次成对比较，引入了计算开销。
当前的实现仅使用结构化表格输入；未来的工作需要整合多模态信号，如临床笔记和医学影像。