迈向基于LLM的端到端删失感知生存分析

目的：生存分析是医学预测的核心，但由于删失（censoring）使直接的监督微调难以进行，大语言模型（LLM）很少被用作端到端的生存模型。我们在此提出LLMSurvival，一个让未经修改的LLM直接处理表格化临床数据、实现删失感知生存分析的框架。材料与方法：LLMSurvival将事件时间预测重新表述为可比较受试者之间的成对排序，并通过聚合与训练队列中锚定个体的比较来推导测试时风险。结果：在两项临床任务（MIMIC-IV的ICU死亡预测与NewYork-Presbyterian/Weill Cornell Medicine队列的脆性骨折预测）中，LLMSurvival的整体一致性（concordance）相比Cox比例风险模型在ICU死亡率上提高3.1%、骨折风险上提高0.5%；相比三个成熟的深度学习生存模型，ICU死亡率平均提高2.1%、骨折风险提高2.8%。讨论：结果表明，通过基于比较的重构，含删失的生存建模可以与LLM微调兼容。该框架展现出高度可移植性，并在多样临床情境中优于SAPS-II和FRAX等专家整理评分。此外，该框架支持本地部署，因为紧凑且公开可用的基座模型即可提供足够性能。结论：LLMSurvival框架作为概念验证，展示了通过LLM进行整合式、删失感知生存分析的途径。