TabSurv表格基础模型用于乳腺癌基因表达数据生存预测

Computer methods and programs in biomedicine · 2026-10-28 · 期刊论文

• 一句话结论：结论：在12个乳腺癌基因表达队列中，TabSurv的预后判别表现与8种既有生存模型相当或更优，且在队列异质性下预测稳定性最高；该结论来自计算评估，属证据支持范围内的模型性能比较，尚无前瞻性临床验证。
• 研究设计与做法：设计：方法学研究，基于TabPFN构建免梯度训练、免调参的上下文学习框架，采用两阶段删失感知策略（先对删失者生成晚于删失时间的生存时间，再以插补数据集为上下文预测并合并不确定性）；在12个乳腺癌基因表达队列的分布内与分布外场景评估，随访时长材料未报告。
• 主要结果：主要结果：与8种既有生存模型比较，预后性能为相当或更优，队列异质性下预测稳定性最高；探索性治疗推荐分析（METABRIC）中，治疗与TabSurv推荐一致者的平均限制性平均生存时间优势在比较方法中最大；具体效应量、置信区间与p值材料未报告。
• 机制或解释：机制/解释：作者将其归因于基础模型的上下文学习能力，可在不针对特定任务重训的情况下跨异质队列部署；两阶段删失处理使模型能利用右删失数据，并通过多套插补结果合并来体现插补生存时间的不确定性。
• 局限与边界：局限：证据档位C，为计算与回顾性队列评估，缺乏前瞻性外部验证；治疗推荐部分仅为METABRIC上的探索性分析，未报告随机化比较；基因表达队列的平台与人群构成差异、样本量与随访信息材料未报告；利益冲突材料未报告。
• 可否落地：落地：对科研，提示表格基础模型可作为一种免调参的删失生存分析候选框架，值得在独立队列中复现；对临床，目前不足以下结论支持其用于个体化预后或治疗推荐，需前瞻性研究与决策影响评估。

🔗 打开原文

Vu T, Tran HX, Li X 等

本文摘自《每日前沿研究简报 · 2026-11-10》「生物信息 组学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。