清华团队揭示多种癌症生存曲线：稳定学习预后标志物引领新希望！

原标题：稳定学习预后标志物，多种癌症生存曲线证实！清华最新成果登Nature顶级子刊
文章来源：新智元
内容字数：4895字

清华大学与国家蛋白质科学中心的新成果

近日，清华大学与国家蛋白质科学中心联合提出了一种新的生存分析方法——Stable Cox模型。该模型旨在解决多中心、大队列异质数据中的标志物发现问题，并已在全球顶级期刊《Nature Machine Intelligence》上发表。

1. 稳定生存分析与预后标志物

预后标志物是能够提供患者疾病发展、结果或生存情况的生物标志物，包括生物分子、细胞特征或影像学特征等。通过对这些标志物的检测和分析，医生可以更好地预测病情进展、治疗反应及复发风险等重要信息。

2. 研究背景与挑战

生存分析是一项重要的统计研究，广泛应用于医学、公共卫生等领域。尽管Cox回归模型在生存分析中应用广泛，但其假设训练和测试数据分布相似，这在实际中往往不成立，导致模型的泛化性和可靠性受到挑战。如何在异质性数据中找到稳定的生物标志物成为研究的关键问题。

3. Stable Cox模型的创新

Stable Cox模型通过消除不稳定协变量与生存结果之间的虚假相关性，识别稳定预后标志物。该模型由两阶段组成：首先，通过性驱动的样本加权使协变量；其次，在加权Cox回归阶段，利用学到的样本权重来分离每个变量对生存输出的影响。研究表明，即使在模型错误估计的情况下，Stable Cox模型也能识别稳定变量进行预测。

4. 实验结果与应用前景

研究团队在多种癌症组学数据和临床生存数据上进行广泛实验，展示了该方法的强大泛化能力，预后亚型人群分组结果显著提升。Stable Cox模型的权重系数可用于发现潜在的组合标志物，并在不同中心预后具有一致性，这对于临床决策和靶向药物研发具有重要意义。

5. 结论与未来展望

这项研究不仅为生存分析提供了一种新的方，也为机器学习在医疗领域的应用提供了稳定性和可靠性的新视角。随着对稳定预后标志物识别技术的深入研究，未来有望实现疾病的早期诊断和更准确的治疗方案。

通讯作者：崔鹏副教授、常乘副研究员；共同第一作者：范少华博士、徐韧喆博士、董乾博士。

联系作者

文章来源：新智元
作者微信：
作者简介：智能+中国主平台，致力于推动中国从互联网+迈向智能+新纪元。重点关注人工智能、机器人等前沿领域发展，关注人机融合、人工智能和机器人对人类社会与文明进化的影响，领航中国新智能时代。