事件时间预测中上下文表格基础模型的自适应接口

表格基础模型 (TabFM) 在结构化数据上实现了强大的性能，特别是对于标准分类和回归问题。然而，将它们扩展到经过审查的事件时间预测具有挑战性，因为它需要正确处理审查和事件时间动态。在我们之前的工作的基础上，我们进一步将 TabFM 与 CoxPH 和 DeepHit 联系起来，并修改了上下文重采样训练程序。我们在 74 个单风险数据集上使用冻结的 TabFM 主干来评估时间零样本重构、基于分类的 微调 和生存头适应，并且我们还研究了 4 个竞争风险数据集。零样本推理对于较小的单风险数据集是有效的，而随着数据集规模的扩大，监督适应变得越来越有利。 Cox 提供了最可靠的强大接口，特别是对于较大数据集上的综合 Brier Score (IBS)。 DeepHit 的时间相关一致性指数比 IBS 的相对更强，而在四个数据集竞争风险分析中，特定原因的 MTLR 在 TabFM 生存头中排名最高。随着数据集的增长，分类 微调 在零样本推理方面变得更具竞争力，但在概率预测方面仍然较弱。总的来说，我们的结果表明，有效的 TabFM 传输取决于数据机制和所选适应接口所代表的统计结构。用于这项工作的实现脚本可在 https://github.com/kaylode/survival-fm 上找到。