主要观点总结
本文介绍了生存分析的重要性及其在实际应用中的挑战，特别是现有生存分析方法在异质性数据中的局限性。文章重点介绍了清华大学的崔鹏团队与国家蛋白质中心贺福初/常乘团队共同提出的Stable Cox模型，该模型旨在发现稳定的预后标志物，并消除不稳定协变量与生存结果之间的虚假相关性。文章还介绍了该模型在多种癌症组学以及临床预后数据上的实验验证，展示了其强大的泛化能力。
关键观点总结
关键观点1: 生存分析是统计研究的重要方向，广泛应用于医学、公共卫生等领域，帮助决策和预测生存结果。
Cox回归模型是生存分析中最常用和最重要的工具之一，但现有方法面临训练和测试数据分布不一致的挑战。
关键观点2: Stable Cox模型由清华大学的崔鹏团队提出，旨在消除不稳定协变量与生存结果之间的虚假相关性，发现稳定的预后标志物。
该模型通过独立性驱动的样本加权和加权Cox回归两个阶段，学习稳定的预后标志物，并消除不稳定协变量的影响。
关键观点3: Stable Cox模型在多种癌症组学数据集和临床生存数据上进行了广泛实验，展示了强大的泛化能力，平均提升6.5%-13.9%。
该模型还可用于发现潜在的组合标志物，并区分生存风险不同的亚型，对治疗决策和靶向药物研发具有重要意义。
文章预览
本文转载自公众号 《人体蛋白质组导航计划》 生存分析是一个重要的统计研究方向，评估协变量对感兴趣事件发生时间的影响，广泛应用于医学、公共卫生、工程、金融等关键领域，以帮助决策和预测生存结果，识别影响生存的关键因素。Cox风险比例模型（Cox Proportional Hazards Model），又称Cox回归模型，由英国统计学家David Cox于1972年提出[1]。该模型以生存结局和生存时间为因变量，可同时分析众多因素对生存期的影响，能分析带有截尾生存时间的资料，且不要求估计资料的生存分布类型。因上述优点，Cox回归模型迅速成为生存分析中最常用和最重要的工具之一，广泛应用于医学、公共卫生、流行病学、临床试验等多个领域。 以Cox模型为主流的大多数现有生存分析方法假设训练和测试数据具有相似的分布 ，而在现实中，由于不同中心或人群队列的
………………………………
