💻 computer science

SHIFT: Survival Prediction from Incomplete and Heterogeneous Genomic Data

本文介绍了 SHIFT，一种具备缺失值感知能力的 Transformer 模型，该模型通过直接处理不完整的特征输入，而无需进行插补或将分析限制在共有基因上，从而实现了在异构基因组数据集上稳健的生存预测。

原作者： Muhammet Sami Yavuz, Ayhan Can Erdur, Sabri Mustafa Kahya, Benedikt Wiestler, Jana Lipkova

发布于 2026-07-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Muhammet Sami Yavuz, Ayhan Can Erdur, Sabri Mustafa Kahya, Benedikt Wiestler, Jana Lipkova

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，你正试图根据患者的遗传“指纹”来预测他们的寿命。通常情况下，医生和科学家面临着一个巨大的难题：每家医院使用的基因检测套件都不一样。一家医院可能会检测 200 个基因，而另一家可能只检测 20 个。这就像是尝试按照一份列有 200 种配料的食谱来烤蛋糕，但你当地的杂货店只卖其中的 20 种。

长期以来，科学家们尝试通过两种方式来解决这个问题：要么丢弃那些没有凑齐 200 种配料的患者（从而损失了宝贵的数据），要么去猜测那些缺失的配料可能是什么（即“插补”）。但猜测是有风险的；如果你猜错了调料，蛋糕的味道就会很糟糕，你的预测也会出错。

于是有了 SHIFT，一种全新的 AI 模型，它扮演着一位超级灵活的大厨。它不需要完整的 200 种配料才能开始烹饪，而是可以观察厨房里现有的任何配料，并立即做出出色的预测。它并不去猜测缺失的部分，而是专注于已有的内容。

魔法技巧：“缺失”遮罩

把 SHIFT 想象成一个戴着特殊眼镜的侦探。当侦探观察患者的基因数据时，如果某个基因缺失了（因为医院没有进行检测），眼镜就会直接将那个位置涂黑。侦探会忽略这些黑点，仅利用可见的线索来破解谜题。

研究表明，这位侦探非常聪明。在针对两种癌症——胶质母细胞瘤（一种脑癌）和肺鳞状细胞癌——的测试中，当所有数据都完美无缺时，SHIFT 的表现与最优秀的传统方法不相上下。但是，当数据变得混乱且缺失大量信息时（例如在肺癌研究中，有一组患者缺失了 175 出 197 个基因，即 88.8% 的数据！），SHIFT 并没有踉跄倒下。

其他方法试图通过猜测（例如根据邻近的数据来猜测缺失的基因）来“填补空白”，而 SHIFT 则只是利用它拥有的真实数据。在肺癌测试中，SHIFT 在从未进行过任何一次猜测的情况下，就达到了与最佳猜测方法相当的表现。

通过“蒙眼”进行训练

这个侦探是如何变得如此擅长忽略缺失线索的呢？作者使用了一种被称为**变量率遮罩（Variable-Rate Masking, VRM）**的巧妙训练技巧。

想象一下，你正在为一个学生进行数学考试训练。通常，你会给他们一份完整的练习卷。但在 VRM 模式下，老师会在每道练习题中随机遮住不同的数字。有时他们遮住一个数字，有时则遮住半页纸。学生学会了利用剩余可见的数字来解题。

论文指出，这种“蒙眼”训练让模型变得更加强韧。即使模型稍后在面对一份没有任何缺失数据的完整练习卷时，它的表现也比那些没有经过“蒙眼”训练的模型更好。这就像是一个通过缺失数字进行练习的学生，由于逻辑能力得到了极大的锻炼，即使在所有数字都齐全的情况下也能轻松应对考试。

“不完整”的队友

这里还有另一个令人惊讶的发现：你不必踢走那些数据不完整的数据。

在研究中，研究人员尝试将一组仅检测了 22 个基因（在通常的 197 个之外）的患者加入到训练组合中。通常情况下，科学家会因为这些数据“过于不完整”而将其丢弃。但论文表明，当你使用 SHIFT 时，你实际上可以利用这组不完整的数据来帮助模型学习。

当我们将这 102 名数据有限的患者加入训练时，模型对另一组完全不同的患者（CPTAC 队列）的预测变得略微精准了。作者认为，即使是“半空”的数据集，只要模型知道如何处理缺失的部分，也能教会模型一些有用的知识。

这并不意味着什么

了解这篇论文没有表达什么意思非常重要。

它并没有说 SHIFT 是治疗癌症的灵丹妙药。它只能预测生存风险。
它并没有说这适用于所有类型的癌症。作者仅在脑癌和肺癌上进行了测试。
它并没有说你应该停止使用其他方法。论文建议 SHIFT 是一个强有力的替代方案，尤其是在数据混乱时，但也承认需要在不同疾病上进行更多测试。
它并不声称“猜测”（插补）总是错误的。它只是表明，当缺失的数据规模巨大且具有结构性特征时（例如整个基因组的一个部分从未被检测过），猜测不如直接使用现有数据可靠。

底线

这篇论文表明，我们可以构建一个单一且智能的 AI 模型，使其能够跨越不同的医院工作，即使这些医院使用的是不同的基因检测套件。通过教导模型去忽略缺失数据而不是去猜测，并通过“蒙眼”训练使其更加强韧，我们可以将更多的患者纳入研究，并获得更好的预测。这是向着实现精准医疗迈出的一步，让精准医疗惠及每一个人，而不只是那些幸运地拥有完美基因检测套件的人。

技术摘要：SHIFT —— 基于不完整且异质基因组数据的生存预测

1. 问题陈述

用于患者生存预测的基因组预测模型在跨医疗机构推广时经常失败，其原因是结构性特征缺失（structural feature missingness）。与随机缺失的数据不同，基因组数据的缺失通常是系统性的：不同的中心使用不同的测序面板，测量不同的基因子集。这导致了一种场景：一个在广泛面板（例如 197 个基因）上训练的模型，无法直接部署在仅使用窄面板（例如 22 个基因）的站点，否则会导致显著的数据损失或必须进行插补。

现有应对这一挑战的方法通常依赖于三种次优策略：

限制分析范围：仅限于所有队列共享的特征交集，从而丢弃了潜在的有信息基因组数据。
排除患者：排除具有不完整谱系的患者，这减少了队列规模和多样性，同时放大了选择性偏差。
测试时插补（Test-time imputation）（例如 KNN、均值插补）：这可能会扭曲生物学信号、引入偏差并“幻觉”出临床相关的特征，尤其是在存在大规模结构性缺失特征的情况下。

论文指出，这些局限性阻碍了稳健的多中心生存模型在精准肿瘤学中的部署。

2. 方法论：SHIFT 模型

作者提出了 SHIFT（基于 Transformer 的处理不完整特征的生存预测模型），这是一种感知缺失性的生存模型，旨在直接从不完整的基因组输入中进行生存预测，而无需进行测试时插补。

架构

SHIFT 是一种针对表格化基因组数据改编的 Transformer 架构，由三个主要部分组成：

特征嵌入模块（Feature Embedding Block）：SHIFT 不会对完整的基因组向量进行联合处理，而是通过自归一化网络（SNN）模块（线性层 $\to$ SELU $\to$ AlphaDropout）将每个基因变量独立映射为 Token 表示。每个特征 $x_l$ 通过专门的 $SNN(1, D) $进行嵌入，其中$ D=128$。缺失特征被填充为零占位符，但不作为有效输入进行处理。
掩码 Transformer 编码器（Masked Transformer Encoder）：两层 Transformer 编码器处理特征 Token 序列。关键在于，它使用**缺失性掩码（missingness mask, $M$ ）**作为键填充掩码（key-padding mask）。这确保了对应于缺失特征的 Token 被排除在自注意力机制之外。因此，可学习的 [CLS] Token 仅聚合来自已观测基因变量的信息。由于基因组特征缺乏自然的顺序性，因此省略了位置嵌入。
生存预测模块（Survival Prediction Block）：最终的 [CLS] 表示通过一个 SNN 和一个线性层，生成 $K=4$ 个离散时间间隔的 Logits。Sigmoid 激活函数将其转换为离散风险概率。模型使用离散时间负对数似然损失进行端到端训练，该损失考虑了删失数据（censored data）。

训练策略：变率掩码（Variable-Rate Masking, VRM）

为了增强对异质缺失模式的鲁棒性，作者在训练中引入了变率掩码（VRM）。

对于每个训练轮次（epoch）和每位患者，会掩码掉随机比例的特征（ $k_i$ ），其中 $k_i$ 是从最高为 $f$ 的均匀分布中采样的。
这迫使模型从部分观测的输入中学习特征间的关系，模拟了不同机构之间观察到的差异。
默认设置使用 $f=0.5$ ，意味着在训练期间，最多有 50% 的特征会被随机掩码。
至关重要的一点是，VRM 仅在训练期间使用。在推理阶段，模型通过缺失性掩码原生处理自然缺失的特征，无需任何插补。

3. 核心贡献

SHIFT 模型：引入了一种基于 Transformer 的模型，能够从不完整的基因组数据中进行生存预测，利用掩码自注意力机制仅关注观测到的输入。
变率掩码（VRM）：一种训练策略，通过在训练期间暴露于多样化的观测特征子集，提高了模型对跨队列偏移（cross-cohort shifts）的鲁棒性。
包容性建模：证明了即使是严重不完整的队列（例如缺失 88% 的特征）也可以纳入模型开发中，以提高其在外部数据上的表现，而不是将其丢弃。

4. 实验结果

作者在两种癌症类型上评估了 SHIFT：胶质母细胞瘤（GBM）和肺鳞状细胞癌（LUSC），使用了公共队列（TCGA, CPTAC）和私有队列。

在完整数据上的表现

在训练和测试数据共享相同特征空间（无缺失性）的情况下，SHIFT（无论是否使用 VRM）的表现与标准基准模型（CoxPH, RSF, DeepSurv, SNN）相当。
VRM 的影响：虽然不带 VRM 的 SHIFT 具有竞争力，但加入 VRM 后显著提升了跨机构的泛化能力（例如从 TCGA 到 CPTAC/德国队列），这表明 VRM 起到了防止对特定特征子集过拟合的正则化作用。

在不完整数据上的表现（LUSC）

场景：美国队列仅拥有 197 个特征中的 22 个（88.8% 的结构性缺失）。
基准模型：在全量 197 个特征上训练的标准模型在测试时需要使用 KNN 或均值插补。这些方法对插补策略高度敏感，许多基准模型的表现大幅下降（例如，使用 KNN 时，SNN 的 C-index 下降至约 0.42）。
SHIFT：在全量 197 个特征上训练并直接在 22 特征的美国队列上进行评估（无插补）的 SHIFT-VRM，实现了最佳的集成性能（C-index 0.570），与最强的插补基准（使用均值插补的 CoxPH）持平，并优于大多数其他模型。
对照组：当所有模型都被限制在共享的 22 个特征时，SHIFT-VRM 并未超越最好的基准模型（SNN），这证实了 SHIFT 的优势源于其利用丰富训练数据同时保持部署鲁棒性的能力，而非仅仅是 Transformer 架构本身。

多中心训练

作者测试了将不完整的美国队列（22 个特征）纳入训练集（与 TCGA 一起）是否能提高在外部 CPTAC 队列上的表现。
结果：将不完整的美国队列纳入后，CPTAC 的 C-index 从 0.602（仅使用 TCGA）提升到了 0.629（TCGA+US）。这支持了作者的观点：部分观测的队列提供了有用的信号，不应被排除。

消融研究

改变掩码比例 $f$ 的实验表明， $f=0.5$ 提供了最一致的表现。
移除 VRM（即 $f=0.0$ ）会导致外部泛化能力持续减弱，即使在测试数据是完整的情况下也是如此，这证实了 VRM 作为正则化器的作用。

5. 重要性与主张

本文声称，SHIFT 为精准肿瘤学中的多中心生存预测提供了一种切实可行的策略，解决了基因组数据异质性中固有的“结构性缺失”问题。

单模型部署：可以训练一个单一模型来处理异质数据，并部署到具有不同测序面板的不同机构中，无需进行针对特定站点的重新训练或插补。
对结构性缺失的鲁棒性：仅基于观测到的输入进行预测（通过掩码）可以像通过插补重建大规模未测量特征块那样稳健，甚至更稳健，特别是在缺失是非随机且具有结构性时。
数据包容性：本研究挑战了排除不完整队列的做法。通过原生处理缺失性，模型可以利用来自特征面板较窄的中心的数据，从而在不损害性能的前提下增加样本量和多样性。

作者也承认了局限性，包括仅限于两种癌症类型、外部队列规模适中以及使用的是随机掩码而非基于站点结构的掩码模式。然而，他们得出结论：显式地对特征可用性进行建模，是通向更具可部署性和包容性的基因组生存预测模型的可行路径。