生存上下文分析：基于先验拟合网络的摊销贝叶斯生存分析
机器学习
2026-05-14 v2
摘要
生存分析对许多医学应用至关重要，但由于数据有限、删失以及表格协变量的异质性，对现代机器学习而言仍具有挑战性。尽管先验拟合范式（依赖于在大量合成数据集上预训练模型）最近促进了表格基础模型在分类和回归中的应用，但其在时间-事件建模中的适用性尚不明确。我们提出了一种灵活的生存数据生成框架，定义了一个丰富的生存先验，可以对协变量和时间-事件分布进行显式控制。基于该先验，我们引入了生存上下文分析（Survival In-Context, SIC），一种仅在合成数据上预训练的先验拟合上下文学习模型，用于生存分析。SIC旨在在合成生存先验下近似贝叶斯后验预测推断，从而在单次前向传播中实现个体化生存预测，无需任务特定的训练或超参数调优。在广泛评估真实世界生存数据集上，SIC在中小型数据领域取得了与经典和深度生存模型相当或更优的性能，突显了先验拟合范式在生存分析中的前景。代码和预训练模型将在发表时公开。
引用
@article{arxiv.2603.29475,
title = {Survival In-Context: Amortized Bayesian Survival Analysis via Prior-Fitted Networks},
author = {Dmitrii Seletkov and Paul Hager and Georgios Kaissis and Rickmer Braren and Daniel Rueckert and Raphael Rehms},
journal= {arXiv preprint arXiv:2603.29475},
year = {2026}
}