Structured Transfer Learning for Survival Risk Stratification in Data-Sparse Clinical Cohorts
数据稀疏临床队列生存风险分层的结构化迁移学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于临床生存分析与迁移学习方法研究，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列、资产定价等方向，故不选择任何细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
数据稀疏临床队列生存风险分层的结构化迁移学习
- 研究问题
- 摘要关注在样本量小或结局事件少的临床队列中，生存预测模型是否可靠，以及能否借助较大队列的信息改善数据稀疏队列的风险分层，同时保留队列特异性。
- 方法与思路
- 作者提出 CORE-Cox 两阶段框架：先在较大源队列中通过低秩 Cox 系数结构学习跨相关结局的共享风险因素模式，再通过正则化残差修正将其适配到较小目标队列，并在 UK Biobank 与 MIMIC-IV 上做重复嵌套交叉验证比较。
- 材料陈述的贡献
- 摘要称 CORE-Cox 在多数结局上取得最佳或接近最佳的区分度，UK Biobank 平均 C-index 由 0.733 升至 0.766，MIMIC-IV 由 0.628 升至 0.658，九个结局中八个有改善，并提升前 15% 风险富集，风险比估计通常介于仅源队列与仅目标队列模型之间。
- 阅读关注点
- 应核对低秩共享结构与残差修正的具体识别与正则化设定、源与目标队列结局定义是否一致、交叉验证与比较基线是否公平，以及 C-index 与风险富集提升的置信区间和敏感性分析。
- 阅读边界
- 仅凭摘要无法判断模型假设是否成立、结果是否可外推至其他人群或结局，摘要也未说明校准表现与临床效用；作者明确表示用于校准绝对风险预测或临床决策前仍需进一步验证。
原文摘要
Background: Survival prediction models are often less reliable in clinical groups with limited sample sizes or few outcome events. Target-only models may be unstable, whereas models from larger cohorts may transfer poorly when risk-factor effects differ across populations. We evaluated whether structured transfer learning can improve survival risk stratification in data-sparse cohorts while allowing cohort-specific adaptation. Methods: We developed the COhort-shared Rank-rEduced Cox model (CORE-Cox), a two-stage framework for multi-outcome survival prediction. CORE-Cox learns shared risk-factor patterns across related outcomes in a larger source cohort via a low-rank Cox coefficient structure, then adapts these patterns to a smaller target cohort through regularized residual correction. We evaluated CORE-Cox in UK Biobank (White source, n=150,093; Asian target, n=2,534) and MIMIC-IV (White ICU source, n=15,997; Asian ICU target, n=672), comparing against target-only Cox, penalized Cox, low-rank multi-task, naive pooling, direct transfer, and single-outcome residual transfer under repeated nested cross-validation. Results: CORE-Cox achieved best or near-best discrimination across most outcomes. Mean C-index improved from 0.733 to 0.766 in UK Biobank and from 0.628 to 0.658 in MIMIC-IV, with gains in eight of nine outcomes. CORE-Cox also improved top-15% risk enrichment, with hazard-ratio estimates typically intermediate between source-only and target-only models. Discussion: CORE-Cox offers an interpretable transfer-learning framework for survival risk stratification in data-sparse cohorts, combining shared cross-outcome structure with cohort-specific adaptation. Further validation is needed before use in calibrated absolute-risk prediction or clinical decision-making.