Nature 子刊发表稳定学习新进展：面向多中心、大队列异质数据的「稳定」生存分析方法

主要观点总结

本文介绍了崔鹏团队在生存分析领域最新的研究成果，提出了一种名为Stable Cox的稳定生存分析方法，用于发现稳定标志物。该方法旨在通过消除不稳定协变量与生存结果之间的虚假相关性，找到稳定变量，提高生存分析模型的泛化性。研究团队在癌症组学数据和临床预后数据上进行了实验，展示了该方法的强大泛化能力。文章还讨论了生存分析中多中心异质数据的泛化难题和稳定学习方法的重要性。

关键观点总结

关键观点1: 崔鹏团队在生存分析领域提出了Stable Cox的稳定生存分析方法。

该方法旨在发现稳定标志物，通过消除不稳定协变量与生存结果之间的虚假相关性，提高生存分析模型的泛化性。

关键观点2: Stable Cox模型由两阶段组成：独立性驱动的样本加权和加权Cox回归。

在独立性驱动的样本加权阶段，学习样本权重使协变量相互独立；在加权Cox回归阶段，使用样本权重对Cox模型损失进行重加权，以识别稳定变量。

关键观点3: 研究团队在多种癌症组学数据和临床预后数据上进行了实验，展示了Stable Cox模型的强大泛化能力。

该模型在独立测试集上的表现优于其他方法，并且能够通过发现的标志物进行亚型分层和生存曲线预测。

关键观点4: 生存分析中的多中心异质数据泛化难题和稳定学习方法的重要性被讨论。

文章指出，现有方法的可靠性在测试数据分布与训练数据不同时受到挑战，稳定学习方法的开发对于关键领域如医疗和药物研发具有重要意义。

文章预览

该工作是崔鹏团队所提出的stable learning (稳定学习) 的理论和方法在生存分析领域的最新力作。 清华大学的崔鹏团队与国家蛋白质科学中心（北京）常乘团队联合在全球顶级期刊Nature Machine Intelligence上发表了“Stable Cox Regression for Survival Analysis under Distribution Shifts”研究长文。该论文提出了一种发现稳定标志物（Biomarker）的Stable Cox模型，在多种癌症的组学以及临床预后数据上证明了Stable Cox可以发现在多个测试中心数据上稳定的预后标志物，该标志物可以用于对病人进行亚型分层以及生存曲线预测。 该工作是崔鹏团队所提出的stable learning (稳定学习) 的理论和方法在生存分析领域的最新力作。受因果推理方法启发，稳定学习方法专注于学习协变量和输出之间的稳定因果关系，而非易变的相关性 [2]。受益于因果分析方法提供的理论保证，稳定学习方法在 ………………………………