突破性发现：清华团队揭示多种癌症生存曲线与稳定学习预后标志物的深度关联

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创新成果

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，旨在应对多中心、大队列异质数据中的挑战。该方法结合了稳定学习理论，能够有效识别稳定的预后标志物，并在多种癌症的组学和临床预后数据上得到验证，具备广泛的应用潜力。

预后标志物的重要性

预后标志物是提供疾病未来发展、结果或患者生存情况等信息的生物标志物，可以是生物分子、细胞特征或影像学特征。通过对这些标志物的分析，医生能够更好地预测疾病进程、治疗反应及复发可能性等关键因素。

Stable Cox模型的核心方法

Stable Cox模型的核心在于消除不稳定协变量与生存结果之间的虚假相关性，从而使学习到的相关性反映出协变量对生存概率的因果影响。该模型分为两个阶段：首先，通过性驱动的样本加权，使协变量之间相互；其次，在加权的Cox回归阶段，对样本损失进行重加权，从而有效分离每个变量对生存输出的影响。

广泛的应用与实验验证

研究团队在多种癌症组学数据集（如肝癌、乳腺癌、黑色素瘤）及临床生存数据（如肺癌、乳腺癌）上进行了广泛的实验验证，结果表明Stable Cox模型具备较强的泛化能力，平均提升6.5%-13.9%。此外，该模型还能够发现潜在的组合标志物，帮助区分生存风险显著不同的亚型，为临床治疗决策提供重要支持。

未来的研究方向

现有的标志物识别技术在异质性数据中的泛化能力较差，Stable Cox模型的提出为解决这一难题提供了新思路。该研究强调了在医疗领域应用机器学习技术时，稳定性和可靠性的重要性，将为疾病的早期准确诊断和个性化治疗提供新的可能。

本文通讯作者为清华大学崔鹏副教授及国家蛋白质科学中心常乘副研究员，研究得到了国际大科学计划的支持。

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。