CACSurv：面向癌症生存预测的 LLM 一致性对齐比较学习

CACSurv 提出基于大型语言模型的癌症生存预测框架，将生存建模重构为 mini-cohort 比较推理，通过 concordance-aligned 奖励利用右删失数据提供排序监督，并采用 Monte Carlo Reference Aggregation 进行推断。同时建立 TCGA-SurvReport 基准，覆盖六个 TCGA 癌症队列。

此前生存预测依赖结构化临床变量或影像、基因组等多模态数据，患者报告未被充分利用。CACSurv 以报告为核心，并解决生存预测中公式与监督不匹配的问题，将删失样本转化为排序监督，提高预测的排序一致性，可能推动更个性化治疗规划与风险分层。

生存预测本质依赖患者间可比较的排序，而独立时间回归无法保证排序一致性；删失患者观察到的时间仅表示生存超过该点，不能作为精确回归目标，但仍可提供与早逝患者的排序关系。CACSurv 形式化为 mini-cohort 比较推理，LLM 预测相对预后排序，通过一致性对齐奖励在右删失下学习，推断时用参考聚合得到 cohort 级排序。

该框架可应用于临床决策支持系统，将患者报告自动整合进生存预测，提高风险分层与治疗规划准确性；研发方面可复用 LLM 与删失数据训练方法，加速模型迭代；产品或服务可能新增报告解读与预后排序功能，但需验证数据私有性与基准性能。

• 基于 TCGA-SurvReport 基准评估 CACSurv 在六个癌症队列上的性能，并与传统多模态方法对比
• 开发面向临床机构的报告解析与生存风险排序 API，支持治疗规划参考
• 探索将 CACSurv 扩展到非癌症慢病生存预测，利用现有 LLM 推理能力
• 在目标医院验证模型对右删失数据的处理效果，评估排序准确性

• CACSurv 在 TCGA-SurvReport 基准上与既有方法相比的具体性能指标尚未在证据中给出
• 模型对删失比例高或样本量小的队列是否仍然稳健仍需验证
• 临床落地时如何满足医疗数据隐私与合规要求未在证据中说明