📊 statistics

Functional Clustering of Survival Data via Smoothed Log-Hazard Trajectories: A Risk-Dynamics Perspective

本文提出了一种用于生存数据的创新函数聚类框架，该框架利用 B 样条和函数主成分分析对平滑后的对数风险轨迹进行建模以捕捉时间风险动态，并通过广泛的模拟实验和实际临床应用，证明了其相比于传统的基于累积生存率的方法具有更优越的可解释性和鲁棒性。

原作者： Anna De Magistris, Elvira Romano, Fabrizio Maturo

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Anna De Magistris, Elvira Romano, Fabrizio Maturo

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，你正试图理解不同群体（或机器、或患者）如何随时间“老化”或面临特定的风险。传统上，统计学家会观察生存曲线（Survival Curve）。你可以把它想象成一个水箱，随着时间的推移进行观察。你会看到在一天、一周或一年结束时还剩多少水。它告诉你总共流失了多少水，但它无法告诉你水是在什么时候漏掉的，或者漏水是缓慢的滴漏还是突然的大量喷涌。

这篇论文提出了一种观察数据的新方法。他们不再仅仅关注水位的下降（生存曲线），而是建议观察风险函数（Hazard Function）。你可以把它想象成在任何给定时刻的瞬时漏水速度。是漏水开始时很慢，然后突然爆发？还是停顿了一段时间后又重新开始了？这种“漏水速度”能讲述一个更丰富的故事，揭示风险的动态变化。

以下是该论文内容的简单拆解：

1. 问题所在：具有“噪声”的漏水速度

如果你尝试直接从现实世界的数据中测量“漏水速度”（风险率），过程会非常混乱。这就像是在一个旁边有碎石机轰鸣的房间里试图听清对话。数据会因为随机性或信息缺失而剧烈跳动。如果你试图根据这些带有噪声的数据对人群进行分组，你可能会根据“碎石机的噪音”而非“实际的对话内容”来进行分组。

2. 解决方案：平滑处理与“对数风险率”

为了解决这个问题，作者使用了一个数学“平滑器”（类似于数据的降噪耳机）。他们将杂乱、锯齿状的漏水速度数据转化为一条平滑、流动的曲线。

窍门： 他们不是直接对速度进行平滑，而是对速度的**对数（logarithm）**进行平滑。想象你在拍摄一段山脉风景。如果你看原始高度，山峰是非常尖锐的；如果你看高度的“对数”，形状会被保留，但数学计算会变得更加简单且稳定。这确保了“漏水速度”永远不会低于零（这在现实中是不可能的），同时也让数学运算表现得更好。

3. 核心思想：按“节奏”分组

一旦拥有了这些平滑的曲线，他们想要对它们进行分组。但如何对一条曲线进行分组呢？

旧方法： 对比曲线的每一个点（就像逐个音符地对比两首歌曲）。这很难，因为歌曲可能会在时间轴上稍微错位。
新方法（函数主成分分析/FPCA）： 作者使用了一种称为**函数主成分分析（Functional Principal Component Analysis, FPCA）**的技术。
- 类比： 想象你有100套不同的舞蹈动作。与其比较每一个细微的步法，FPCA 会找到定义这些舞蹈的主要动作。也许“动作 A”是跳跃的高度，而“动作 B”是旋转的速度。
- 作者找到了能够解释所有曲线之间 95% 差异的前几个“主要动作”（主成分）。
- 然后，他们忽略那些微小的、随机的抖动，只专注于这些主要的动作。

4. 聚类：寻找“舞团”

现在，他们已经将复杂的曲线简化为几个简单的数字（即“动作 A”和“动作 B”的分数），接着他们使用标准的聚类算法（如 K-means）来进行分组。

结果： 他们找到了具有相同风险节奏的曲线组。
- 第 1 组： 也许这些群体的风险在早期激增，然后趋于平稳。
- 第 2 组： 也许这些群体的风险起初很低，但随着时间推移缓慢上升。
- 第 3 组： 也许这些群体的风险保持平坦且稳定。

5. 他们测试了什么

作者通过两种方式测试了这种方法：

模拟实验： 他们创建了已知“真实分组”的虚构数据。他们展示了即使在曲线非常相似或重叠的情况下，他们的方法也能找到这些分组，而旧的方法（观察总水箱水位的方法）往往会产生混淆。
真实数据： 他们将此方法应用于两个真实的医学数据集：
- 德国乳腺癌研究： 他们根据受影响淋巴结的数量对患者进行了分组。他们的方法根据风险发生的时机（而非仅仅是最终结果）清晰地划分出了“低淋巴结计数”组和“高淋巴结计数”组。
- 原发性胆汁性胆管炎（肝病）： 他们根据疾病阶段和胆红素水平对患者进行了分组。同样，他们发现了患者风险演变的独特模式。

6. 核心结论

该论文认为，观察瞬时风险动态（漏水的节奏）通常比观察累积生存率（总流失水量）更具信息量。

两个群体在研究结束时可能拥有相同数量的幸存者（相同的剩余水位），但其中一组可能在中间经历了一次突发危机，而另一组则是缓慢、稳定的衰减。
作者的方法旨在捕捉这种差异。他们通过风险随时间变化的规律来进行分组，而不仅仅是看最后有多少人存活。

论文的重要提示：
作者谨慎地指出，虽然这种方法创造了清晰、可解释的分组，但这些分组是探索性的。它们就像是在地图上寻找模式以指导进一步研究，而不是一种最终的、完美的医疗诊断工具。当你想了解风险随时间变化的“故事”，而不仅仅是看最后的章节时，这种方法效果最好。

技术摘要：基于平滑对数风险轨迹的生存数据函数聚类

1. 问题陈述

生存分析聚类传统上由个体层面聚类（individual-level clustering）主导，即根据受试者的生存时间和协变量进行分组。一种较少被探索但具有潜在价值的视角是曲线层面聚类（curve-level clustering），其目标是对聚合后的生存曲线（如 Kaplan-Meier 曲线）进行分组，以识别不同队列、医院或地区的广泛趋势。

现有的曲线级方法（如 Survclustcurves）主要依赖于累积生存概率和基于 log-rank 的差异矩阵。作者认为这些方法存在一个关键局限性：它们运行在累积信息之上，这可能会掩盖瞬时风险在时间、定位和强度上的差异。当生存曲线发生重叠、交叉或收敛时，基于累积概率的方法可能无法区分具有本质不同底层风险动态的队列。此外，标准的非参数阶梯函数（如 Kaplan-Meier）由于其不连续性和对离散噪声的敏感性，在数学上并不适合函数数据分析（FDA）。

2. 方法论

本文提出了一个函数数据分析 (FDA) 框架，将分析重点从累积生存概率转向瞬时风险函数（instantaneous hazard function）。该方法通过以下阶段进行：

A. 对数风险轨迹的函数表示

该方法并非对原始生存曲线进行聚类，而是对对数风险函数 ( $\log h(t)$ ) 进行建模。

原理： 风险函数捕捉了瞬时风险动态（峰值、加速、拐点），这些动态在累积生存曲线中往往会被平滑化。对数尺度确保了反向转换后的正定性，并允许进行无约束的平滑处理。
平滑处理： 原始经验风险估计是不稳定且多噪的。作者应用 B-样条平滑（B-spline smoothing）来构建连续且可微的轨迹。
平滑选择： 平滑参数通过广义交叉验证（GCV）规则进行选择。至关重要的是，作者并非选择 GCV 的绝对最小值，而是选择一个在最小值 20% 容差范围（ $\delta = 0.20$ ）内的平滑器。在这些“GCV 等效”的候选者中，选择使局部变异性（平均集成平方二阶导数）最大化的那个，以保留可解释的时间特征（例如延迟出现的峰值），防止过度僵硬的平滑削弱这些特征。

B. 函数主成分分析 (FPCA)

利用 FPCA 将平滑后的对数风险轨迹投影到低维空间。

降维： 设 $M$ 为保留的函数主成分（FPC）数量，其确定过程是在聚类之前通过保守的 95% 累积解释方差规则（ $CPV(M) \geq 0.95$ ）完成的。这确保了聚类是在能够保留风险动态主要时间结构的表示上进行的，而不是为了优化聚类分离度。
得分： 聚类是在未标准化 FPCA 得分上进行的。避免标准化是为了保留由特征值诱导的方差结构，防止低方差（可能带有噪声）的成分主导距离度量。

C. 在得分空间进行聚类

将标准的聚类算法（K-means、K-medoids、Ward 层次聚类）应用于未标准化的 FPCA 得分。

聚类选择： 在 FPCA 表示固定后，使用内部有效性准则（平均轮廓宽度/Silhouette width）和稳定性诊断（自助法重采样）来选择最优聚类数（ $K$ ）。
解释： FPCA 得分空间中的距离近似于对数风险轨迹之间的差异。因此，聚类代表了具有相似相对时间风险动态（风险比的乘性模式）的组，而非具有相同绝对风险值的组。

3. 核心贡献

分析对象的转变： 本文将聚类的对象从累积生存曲线重新定义为平滑对数风险轨迹，认为后者编码了关于风险时间性和动态性的更丰富预后信息。
稳健的函数流水线： 通过整合 B-样条平滑（结合保持灵活性的 GCV 规则）和 FPCA，提供了一个稳定的、可微的风险函数表示，克服了原始经验风险估计不稳定的问题。
保守的降维策略： 通过独立于聚类性能、基于 95% 方差阈值固定的 FPCA 截断，该方法避免了过拟合，并确保聚类反映的是真实的函数变异而非噪声。
与基准方法的区别： 该框架明确对比了基于累积生存率的基准方法，证明了通过风险动态识别出的组别可能与通过累积生存下降识别出的组别显著不同。

4. 结果

模拟研究

复杂度连续体： 该方法在具有递增潜在对数风险区间重叠程度（0% 到 50%）的模拟数据上进行了测试。
- 表现： 应用于未标准化 FPCA 得分的 K-means 始终表现出最强的恢复能力（调整兰德指数，ARI），即使在重叠增加时也能保持高性能。与对标准化 B-样条系数或累积生存曲线进行聚类的基准方法相比，其性能下降更为缓慢。
- 敏感性： 恢复性能在 90% 到 99% 的 FPCA 截断阈值范围内是不变的，证实了 95% 规则并不会人为创造潜在结构。
- 异常值稳健性： 在注入异常轨迹的压力测试中，基于 FPCA 的流水线仍具有信息量，尽管所选的聚类数量和 ARI 会根据异常值与聚类算法之间的相互作用而呈现非单调变化。
案例研究： 在一个具有三种不同时间风险机制的情景中，FPCA-对数风险方法实现了完美的恢复（ARI = 1.000），而累积生存基准方法未能恢复时间局部化的机制（ARI = 0.351），尽管后者具有较高的内部凝聚力。

现实世界应用

该方法被应用于两个临床数据集：德国乳腺癌研究 (GBCS) 和 原发性胆汁性胆管炎 (PBC) 数据集。

GBCS： 该方法基于淋巴结受累情况（低 vs 高）识别出了一个两类划分。这些聚类是由瞬时复发风险的持续水平差异驱动的。该划分表现出中等的稳定性（平均 Jaccard 系数 $\approx$ 0.60）。
PBC： 该方法识别出了一个两类划分，将具有高胆红素/IV 期疾病的剖面与较低胆红素/II-III 期疾病的剖面区分开来。这种分离几乎完全由第一主成分（FPC1，占 93.4% 方差）驱动，代表了一种全局风险水平的对比。稳定性中等偏低（平均 Jaccard 系数 $\approx$ 0.56）。
比较： 在这两个数据集中，累积生存基准方法有时会产生更高的轮廓值（Silhouette values）。作者澄清说，这并不意味着优越性；相反，它表明累积曲线允许基于累积下降的凝聚性划分，而所提方法识别的是基于瞬时风险动态的划分。这是两种不同的推断问题。

5. 重要性与主张

本文声称，所提出的框架为现有的生存聚类方法提供了一个互补的工具，特别是当科学目标是理解风险的时间演变而非仅仅是最终生存结局时。

可解释性： 该方法提供了一个可解释的相对时间风险动态表示，其中聚类由共享的风险峰值在时间和幅度上的模式来定义。
稳健性： 该方法对于结构复杂性和重叠风险函数具有稳健性，在处理涉及累积概率或原始样条系数的基准方法时表现更佳。
审慎态度： 作者明确指出，来自现实世界数据的结果应被视为探索性的函数分组，而非决定性的临床分类。他们承认了局限性，包括缺乏从个体层面数据到曲线层面分析的完整不确定性传播，以及结果对聚合轨迹数量的敏感性。

总之，本文认为，通过在对数风险尺度上将生存数据建模为函数对象，研究人员可以揭示那些在传统累积生存分析中被几何学遮蔽的潜在风险动态。