📊 statistics

ShrinkageTrees: An R Package for Bayesian Tree Ensembles for Survival Analysis and Causal Inference

本文介绍了 ShrinkageTrees，这是一个实现了具有先进正则化策略（包括新颖的马蹄形森林）的贝叶斯加性回归树模型的 R 程序包，旨在实现高维设置下的稳健生存分析与因果推断。

原作者： Tijn Jacobs

发布于 2026-06-11

📖 1 分钟阅读☕ 轻松阅读

原作者： Tijn Jacobs

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

想象一下你是一名医生，正试图预测一名患者在确诊后的生存时间，或者试图弄清楚一种新药是否真的比旧药更有效。你拥有大量的数据：年龄、血压，甚至可能有数千个基因读数。这是一个混乱且复杂的谜题，尤其是当一些患者在研究结束前退出（因此你不知道他们确切的去世时间），或者当你只知道某个事件发生在“上个月到这个月之间”时。

这篇论文介绍了一个名为 ShrinkageTrees 的新工具。你可以把它想象成一支超级聪明、纪律严明的侦探团队（一个“树集成”模型），专门设计用于解决这些医学难题。

以下是它的工作原理，通过简单的概念进行拆解：

1. 侦探团队（决策树）

想象一下，你不是只询问一位专家的意见，而是询问一百位。每一位专家都是一棵“决策树”。

它们如何工作： 每棵树都会提出简单的“是/否”问题，例如：“患者是否大于50岁？”或“基因X是否水平很高？”根据这些答案，决策树会对结果做出一个小小的猜测。
团队协作： 最终的预测是所有这些小猜测的总和。因为有很多棵树，它们可以捕捉到单个专家会错过的复杂模式。

2. 问题所在：线索太多，嫌疑人太少

在现代医学中，你经常拥有数千个线索（基因），但研究的患者却很少。

旧方法： 如果让这支侦探团队肆意妄为，它们可能会被随机的噪声所干扰。它们可能会根据巧合来编造规则（例如：“喜欢穿蓝色袜子的患者寿命更长”），仅仅是为了完美地拟合数据。这被称为“过拟合”。这在纸面上看起来很完美，但在现实世界中却会失效。
收缩（Shrinkage）解决方案： 作者在团队中加入了一位“纪律执行官”。这就是 Shrinkage（收缩） 部分。它就像一个严格的编辑，会说：“如果一条规则没有得到有力证据的支持，我们就将其缩小到零。”
- 马蹄铁隐喻： 论文强调了一种特定类型的收缩，称为“马蹄铁（Horseshoe）”。想象一个马蹄形磁铁。它在中间有非常强的拉力（将微弱、无用的线索收缩至零），但在两端有一个宽阔、开放的弧度（让强有力的、重要的线索不受影响地通过）。这确保了模型既能忽略噪声，又能让真实的信号清晰响亮。

3. 处理缺失或模糊的线索（删失问题）

在生存研究中，数据往往是不完整的。

右删失（Right-Censoring）： 研究结束时患者仍然存活。我们知道他们至少存活了那么久，但不知道他们确切的去世时间。
区间删失（Interval-Censoring）： 我们只知道患者是在上次检查和下次检查之间去世的。
创新之处： 大多数现有工具在处理这些模糊的时间线时都很吃力。ShrinkageTrees 能够自然地处理这些“模糊”的时间线，在不损失准确性的情况下，通过数学方式填补空白。

4. “双头”侦探（因果推断）

有时你不仅想知道会发生什么，还想知道为什么会发生。患者之所以生存下来，是因为药物，还是仅仅因为他们更年轻？

旧方法： 标准工具试图同时预测结果和药物效应，这容易产生混淆。
新方法（ $\tau$ -learner）： ShrinkageTrees 将工作分成了两个专门的侦探：
1. 预后侦探（The Prognostic Detective）： 预测无论是否接受治疗，患者的表现会如何（基于其年龄、基因等）。
2. 治疗侦探（The Treatment Detective）： 预测药物带来的“额外”效应。
  通过分离这两个角色，模型可以准确告诉你药物到底起到了多大的作用，即使患者的基础健康状况与其他患者截然不同。

5. 该论文实际证明了什么

作者在两个主要方面测试了这个工具：

真实数据： 他们使用了一个包含 1,000 个基因读数的卵巢癌患者数据集。他们展示了虽然旧方法会变得“过于自信”（拟合噪声），但新的 ShrinkageTrees 方法更加现实，并提供了更好的不确定性估计。
模拟数据： 他们创建了已知“真相”的虚假数据。当基因数量巨大（5,000 个基因）而患者数量较少时，他们测试了该工具。ShrinkageTrees 方法（特别是马蹄铁版本）是唯一一个保持准确且不会被海量数据搞混的方法。

总结

ShrinkageTrees 是一个新软件包，旨在帮助研究人员分析生存数据（时间-事件）和因果问题（治疗是否有效？）。它使用决策树团队，但添加了一个特殊的“收缩”过滤器，以忽略无用数据并专注于真正重要的信息。它是首个能够在高维环境下（即变量数量多于患者数量时）处理模糊时间线（区间删失）并将治疗效应与患者特征分离的同类工具。

该论文声称，该工具比以往的方法更快、更准确（在高风险场景下），并且能提供更清晰的不确定性图景。

《ShrinkageTrees：用于生存分析与因果推断的贝叶斯树集成 R 语言包》技术摘要

问题陈述
高维设置（ $p \gg n$ ）下的生存分析面临三个主要挑战：(1) 协变量与时间-事件结局之间存在复杂的、未知的关系，需要灵活的非参数模型；(2) 观测值存在不精确性，特别是右删失（right-censored）和区间删失（interval-censored）数据；(3) 在存在删失和混杂因素的情况下，估计因果处理效应具有难度，尤其是在处理效应随亚组变化时。现有的贝叶斯加性回归树（BART）实现未能同时解决这三个问题。具体而言，目前尚无 R 语言包能为区间删失结局提供贝叶斯树集成模型， $\tau$ -learner 架构（将预后效应与处理效应分离）尚未在时间-事件终点中得到实现，且标准的 BART 正则化在面临过拟合风险的高维基因组设置时往往显得不足。

方法论
本文介绍了 ShrinkageTrees，这是一个在加速失效时间（AFT）框架内实现贝叶斯树集成的 R 语言包。核心模型扩展了标准的 BART 公式：
$\log T_i = \sum_{j=1}^m g(x_i; T_j, H_j) + \epsilon_i, \quad \epsilon_i \sim N(0, \sigma^2)$
其中 $T_i$ 是事件发生时间， $x_i$ 是协变量，求和项代表由 $m$ 棵浅层决策树组成的集成。该包通过 Gibbs 采样器处理右删失和区间删失数据。

该方法区分了两类正则化，两者均已实现并可组合使用：

树结构正则化： 为了鼓励对相关变量子集的拆分，该包实现了 Dirichlet 拆分先验（DART）。它在拆分概率上施加 Dirichlet 先验，从而诱导结构稀疏性。
步长高度正则化： 为了将无信息叶节点向零收缩，同时保留强信号，该包实现了针对叶节点值（ $H_j$ ）的全局-局部收缩先验。论文重点介绍了 Horseshoe Forest（马蹄形森林），它在步长上施加了马蹄形先验。这利用了正态混合表示，包含一个全局收缩参数（ $\tau$ ）和局部尺度参数（ $\lambda_\ell$ ）。马蹄形先验允许自适应收缩，有效地处理了 $p \gg n$ 的情景。

针对因果推断，该包实现了适配于生存结局的 $\tau$ -learner（贝叶斯因果森林）。它将结局分解为一个预后函数 $\mu(x, \hat{e}(x))$ 和一个处理效应函数 $\tau(x)$ ，两者由独立的森林进行建模。这使得可以对预后成分和因果成分进行不同的正则化和复杂度控制。

核心贡献

首次实现用于生存分析的 Horseshoe Forests： 该包提供了首次实现 Horseshoe Forests 的功能，通过在步长上施加马蹄形先验，实现了高维生存分析。
支持区间删失： 它是第一个为区间删失生存结局提供贝叶斯树集成的 R 语言包。
生存分析的因果推断： 它实现了用于时间-事件终点的 $\tau$ -learner，允许估计异质处理效应（CATE）和平均处理效应（ATE）。
灵活的正则化： 它提供了一个模块化框架，用户可以将结构正则化（Dirichlet 拆分）与步长高度正则化（Horseshoe、Half-Cauchy 或标准正态分布）结合使用。
软件实现： 该包通过 Rcpp 具有高效的 C++ 后端，支持多链 MCMC，并提供完整的 S3 工作流（拟合、预测、通过 coda 进行收敛诊断以及可视化）。

结果
论文通过一个半合成卵巢癌数据集和一个模拟研究验证了其方法论：

卵巢癌数据集： 在高维设置（ $n=357, p=1004$ ）下，标准 BART 达到了接近完美的训练 C-index（0.989），表明存在过拟合。相比之下，Horseshoe Forest 得到了较低的训练 C-index（0.727），但提供了更校准的确定性。因果分析估计出卡铂（carboplatin）对比顺铂（cisplatin）的平均处理效应较小且不显著，且置信区间较窄。
模拟研究： 在具有已知地面真值和区间删失结局的模拟中，对比了标准 BART、DART 和 Horseshoe Forests 在维度 $p \in \{50, 500, 5000\}$ 下的表现。Horseshoe Forest 在所有维度下均一致实现了最低的均方根误差（RMSE）、最窄的置信区间以及接近标称值的 95% 覆盖率。标准 BART 产生了过宽的区间（过度覆盖），而 DART 随着维度增加出现了覆盖不足的情况。
计算性能： 基准测试显示，虽然由于需要可逆跳跃 MCMC（reversible jump MCMC）和采样局部尺度，Horseshoe Forests 的计算成本高于共轭先验模型，但其随样本量线性扩展，且在速度上与现有的 BART 共轭模型实现相当。

意义与声明
论文声称 ShrinkageTrees 通过统一生存分析、因果推断和高维正则化，解决了现有贝叶斯树集成文献中的关键空白。它将该包定位为一种工具，旨在将贝叶斯树集成扩展到标准 BART 失效的高维设置中。作者强调，该包是首个为生存终点提供 $\tau$ -learner 的工具，也是首个实现用于此目的的 Horseshoe Forests 的工具。这项工作被呈现为对 Jacobs 等人（2025）提出的方法论的实践实现，旨在服务于既包括初学者，也包括需要现有包（如 BART、dbarts 或 bcf）中无法提供的功能的资深用户。作者也谦虚地指出了局限性，例如对数值型协变量的要求（需要对无序类别进行虚拟编码）以及 AFT 框架下误差服从正态分布的假设。