面向端到端 LLM 的 censoring-aware 生存分析
人工智能
2026-05-26 v1
摘要
目标：生存分析是医学预测的核心任务，但大语言模型 (LLM) 因 censoring 难以直接用于端到端生存模型。本文提出 LLMSurvival 框架，实现对未修改 LLM 的 censoring-aware 生存分析，直接处理表格化临床数据。材料与方法：LLMSurvival 将时间到事件预测重新表述为可比较主体之间的两两排序，推导测试时的风险通过聚合对训练队列中锚定个体的比较来实现。结果：在两个临床任务中（MIMIC-IV 中的 ICU 死亡率预测和纽约-普莱斯特/威伊·康梅森医院队列中骨折风险预测），LLMSurvival 相比 Cox 比例风险模型在 ICU 死亡率提升 3.1%，在骨折风险提升 0.5%；相对于三大 established 深度学习生存模型，在 ICU 死亡率提升 2.1%，在骨折风险提升 2.8%。讨论：结果表明，通过基于比较的重新表述，生存建模与 censoring 可与 LLM 微调兼容。该框架在不同临床情境下具有高度可移植性，优于像 SAPS-II 和 FRAX 评分等经专家精选的评分。此外，该框架支持本地部署，紧凑且公开可用的基础模型提供足够性能。结论：LLMSurvival 框架是 censoring 感知的生存分析通过 LLM 的集成方法的概念验证。
关键词
引用
@article{arxiv.2605.25399,
title = {Towards end-to-end LLM-based censoring-aware survival analysis},
author = {Yishu Wei and Hexin Dong and Yi Lin and Jiahe Qian and Yi Liu and Yifan Peng},
journal= {arXiv preprint arXiv:2605.25399},
year = {2026}
}