从有限的生存数据中自动识别出具有鲁棒性的风险群体，涵盖多种生物医学领域

生存预测在临床研究中的应用广泛，但面临标注数据稀缺、确定性评分缺乏可靠性、手动阈值调整不便及不确定性估计不足等挑战。本文提出T-SURE框架，通过转导学习整合标注与非标注数据，结合预测不确定性的拒绝机制，实现生存风险自动分层。在TCGA多癌种数据集验证，T-SURE在排名性能（C-index达0.74-0.95）和风险分层显著性（p值<10?12）上均优于传统方法，且在小样本（5%标注）下仍保持稳定。模型通过固定阈值（0）自动区分高低风险组，利用不确定性评分拒绝低置信预测，同时保持生物学解释性（如基因表达差异验证）。代码已开源，为临床决策提供可靠工具。

　　
### T-SURE框架的中文解读

#### 研究背景与核心问题
生存预测在临床医学中具有重要价值，但现有方法面临两大挑战：**标签稀缺性**与**确定性输出的局限性**。传统生存模型（如Cox回归、DeepSurv）依赖大量标注数据，且输出为固定风险评分，难以提供不确定性估计。此外，基于阈值的风险分层方法需要针对每个数据集重新校准，导致模型泛化能力受限。T-SURE框架通过**转导学习**与**不确定性拒绝机制**，提出了一种端到端的生存预测解决方案，同时兼顾性能、可解释性与临床实用性。

#### 方法创新与框架设计
1. **转导学习（Transductive Learning）**
T-SURE的核心创新在于将未标注数据引入训练过程，通过转导损失函数（Transductive Loss）优化模型输出分布。具体而言，转导损失通过惩罚预测分数接近阈值（0分）的样本，促使模型在低数据密度的区域（如风险分界处）生成更清晰的分隔。这种设计无需依赖外部阈值校准，可直接生成高-低风险分组。

2. **联合优化目标**
模型同时优化三个目标：
- **排名损失（Ranking Loss）**：确保预测分数与实际生存时间顺序一致。
- **正则化项（Regularization）**：防止过拟合，提升模型稳定性。
- **转导损失（Transductive Loss）**：利用未标注样本的分布结构，增强风险分层的区分度。

3. **不确定性拒绝机制**
基于预测分数的分布特性，T-SURE计算每个样本的**拒绝分数（Rscore）**。拒绝分数反映模型对样本不确定性的量化，得分越高的样本越可能被排除在最终预测之外。这一机制使得模型能够动态调整置信度，避免对高风险不确定样本做出错误结论。

#### 实验设计与评估结果
1. **数据集与模态**
- **数据来源**：TCGA数据库（涵盖10种癌症类型，共40个数据集），包括病理切片图像（WSI）、基因表达数据、病理报告文本及临床变量。
- **模态处理**：
- **WSI**：通过预训练模型TITAN生成768维嵌入向量。
- **文本报告**：使用OpenAI的text-embedding-3-small生成语义嵌入。
- **临床数据**：标准化后进行降维处理，剔除低方差特征。

2. **评估指标**
- **排名性能**：采用**一致性指数（C-index）**衡量模型对生存时间的排序能力，C-index越接近1表示性能越优。
- **风险分层显著性**：通过**对数秩检验（Log-rank Test）**计算p值，p值越小表示分层结果越显著。
- **拒绝效果**：通过迭代拒绝机制（Accuracy-Reject Curve, ARC）分析排除不确定样本后的性能提升。

3. **关键实验结果**
- **跨模态一致性**：在基因表达、病理文本、临床数据三种模态中，T-SURE均达到或超过基线模型（如CoxPH、DeepSurv、RFS）的C-index（最高达0.95），且在病理文本模态中显著优于其他模型（如DeepSurv的C-index接近0.5）。
- **标签效率**：在仅含5%标注数据的情况下，T-SURE仍能实现统计显著的风险分层（p值<10?12），而传统模型（如RFS、DeepSurv）需至少10%标注数据才能达到类似性能。
- **不确定性拒绝的有效性**：排除高拒绝分数样本后，C-index提升幅度最高达15%（如LIHC癌症的C-index从0.70提升至0.78），且分层显著性（p值）在所有癌症类型中均保持稳定。

#### 技术优势与临床意义
1. **解决标签稀缺问题**
通过转导学习，T-SURE利用未标注数据的分布信息，降低了对标注样本的依赖。例如，在KIRC癌症数据中，仅需5%标注样本即可实现与90%标注样本相当的排名性能（C-index 0.76 vs. 0.73）。

2. **动态不确定性量化**
拒绝分数（Rscore）直接关联预测置信度，高Rscore样本被排除后，剩余样本的排名稳定性显著提升（如LUAD癌症的C-index从0.65提升至0.74）。这一机制避免了传统模型因过度自信导致的误判。

3. **跨模态泛化能力**
- **病理图像（WSI）**：在LUAD癌症中，T-SURE的C-index（0.65）优于DeepSurv（0.50）和CoxPH（0.73）。
- **文本报告**：在BLCA（乳腺癌）和UCEC（尿路上皮癌）中，文本模态的C-index达到0.81，且分层p值<10??，表明模型能有效捕捉文本中的预后信号（如基因PTGES3的高表达与高风险相关）。

4. **临床实用性与可解释性**
- **固定阈值分层**：无需后处理阈值校准，支持多中心临床部署。
- **生物学可解释性**：通过差异表达分析（DGE），发现高、低风险组的关键基因（如BRCA中的PTGES3和SOCS3）与已知预后标志物高度一致，验证了模型生物学合理性。

#### 与现有工作的对比分析
1. **与传统生存模型对比**
- **CoxPH**：依赖线性假设，在复杂模态（如病理文本）中表现较差，且无法利用未标注数据。
- **DeepSurv**：虽能捕捉非线性关系，但需大量标注数据（超过10%标注率），且未提供不确定性估计。

2. **与半监督生存模型对比**
- **伪标签方法**（如Salmanpour et al., 2025）：依赖生成未标注数据的可靠性，可能导致噪声引入。
- **主动学习策略**（如Haredasht & Vens, 2022）：需人工干预标注流程，成本高昂。
- **T-SURE的优势**：无需伪标签或人工标注，通过转导学习直接利用未标注样本的分布结构，且拒绝机制可自动过滤噪声。

3. **与不确定性量化框架对比**
- **贝叶斯方法**（如Lillelund et al., 2023）：计算复杂度高，难以部署。
- **集成学习**（如RFS）：通过集成降低不确定性，但无法直接生成拒绝分数。
- **T-SURE的创新**：将转导学习与拒绝机制结合，单阶段实现排名、分层与不确定性估计，计算效率提升30%（基于RTX 3060 GPU实测）。

#### 局限与未来方向
1. **当前局限**
- **模态融合深度不足**：现有框架未显式建模跨模态交互（如文本与基因表达）。
- **计算资源依赖**：全批量训练需GPU支持，小规模医疗场景可能受限。
- **拒绝阈值未标准化**：临床需进一步研究如何根据疾病异质性调整拒绝比例。

2. **未来改进方向**
- **多模态融合**：整合图像、文本、基因数据的跨模态特征表示。
- **自适应拒绝机制**：根据疾病阶段或风险分层粒度动态调整拒绝策略。
- **轻量化部署**：优化模型结构以适应边缘计算设备（如手机或嵌入式系统）。

#### 总结
T-SURE通过转导学习与不确定性拒绝机制，构建了一个高效、可靠且可解释的生存预测框架。其核心价值在于：
1. **降低标签依赖**：仅需极少量标注数据即可实现稳定性能。
2. **动态置信度管理**：拒绝分数为临床决策提供可操作的置信度指标。
3. **跨模态泛化**：在病理图像、文本、基因表达等多源数据中均表现优异。

该框架为精准医疗提供了新的工具，尤其在肿瘤个体化治疗和早期筛查中具有广阔应用前景。未来需结合真实世界数据验证长期疗效预测能力，并探索与临床决策支持系统的集成方案。