CACSurv：用大语言模型做一致性对齐比较学习预测癌症生存

癌症生存预测支持治疗规划、风险分层和随访管理。现有方法使用结构化临床变量、全切片图像、基因组图谱或多模态输入，而患者报告仍未被充分探索。我们研究以报告为中心的生存预测，所用报告组织了病理、临床和分子证据。大语言模型（LLM）可以在这类报告上推理，但按病例的时间回归引入两个失配。第一是形式失配：生存评估依赖于对可比较患者的排序，而独立的时间预测不强制排序一致性。第二是监督失配：删失患者的观测时间仅表明其生存超过该点，不能作为精确的回归目标，尽管它仍隐含相对于更早死亡患者的排序。为解决这些失配，我们提出CACSurv，一个面向以报告为中心的生存预测的一致性对齐比较框架。CACSurv把生存建模重构为迷你队列比较推理，由LLM预测相对预后排序。我们引入在右删失下由可比较关系导出的一致性对齐奖励，使删失结局无需精确事件时间目标即可提供排序监督。推理时，蒙特卡洛参考聚合把每位患者与采样的参考比较，并把位置聚合成队列级排序。我们建立了覆盖六个TCGA癌症队列的基准TCGA-SurvReport。CACSurv在全部六个队列上取得最高C-index，平均C-index为0.722，领先已发表最强生存模型6.5个百分点、最强LLM时间回归基线4.2个百分点。我们的代码、模型和数据集将在https://github.com/xmed-lab/CACSurv提供。