通过生存感知适应进行临床生存分析的表格基础模型

预测死亡率等事件发生时间结果是临床决策中的一项基本任务，通常通过生存分析来解决。虽然经典的统计和深度学习方法已被广泛研究，但它们通常需要特定于任务的训练和足够的标记数据。表格基础模型的最新进展通过学习结构化数据的通用表示提供了一种新的范式。然而，它们在临床环境中审查事件发生时间预测的适用性仍未得到充分探索，因为典型应用仅限于离散分类而不是生存分析任务。在这项工作中，我们提出了一种轻量级适应方法，通过在预训练表示之上直接训练生存感知头，将表格基础模型应用于临床生存分析。我们研究了代表性架构，包括 TabPFN、TabDPT 和 TabICL，并使用多任务逻辑回归 (MTLR) 头对它们进行调整，以对右删失事件时间结果进行建模。我们根据一组不同的公共生存基准和两个大规模 ICU 队列（MIMIC-IV 和 eICU）评估了这种方法。我们的结果表明，与强大的基线相比，这种迁移学习方法实现了有竞争力或优越的性能。在 MIMIC-IV 上，TabDPT-FT-MTLR 的 C 指数达到 0.856，相对于最佳非 FM 基线（DeepSurv，0.844）提高了 +1.4%，比最佳零样本模型（0.802）提高了 +6.7%。在 eICU 上，TabICL-FT-MTLR 达到 0.797，收益分别为 +1.7%（DeepSurv，0.784）和 +6.4%（0.749）。这些发现强调了将预训练的表格表示与生存意识目标相结合的重要性，并表明表格基础模型为临床生存预测提供了实用且有效的替代方案。