学术进展丨复旦大学秦国友、余勇夫团队提出面向部署人群的生存预测迁移学习新方法

近日，复旦大学公共卫生学院秦国友、余勇夫团队在人工智能领域权威期刊《Nature Machine Intelligence》（2025 Journal Impact Factor: 29.8）在线发表了题为 “Transfer learning with deployment-covariate recalibration for survival prediction under covariate shift” 的研究论文。该研究提出了一种融合部署协变量再校准的生存预测迁移学习框架CoxRTL，旨在解决目标训练样本有限、外部数据存在异质性以及训练人群与实际部署人群之间存在协变量漂移等问题，为真实世界中面向特定部署人群构建可靠的临床生存预测模型提供了新的方法学工具。

临床预测模型从模型开发走向实际应用时，常面临明显的性能下降。一方面，历史训练队列与未来实际部署人群可能因时间、地域、人群构成及临床实践模式不同而产生协变量漂移（covariate shift）；另一方面，对于老年人、罕见病患者或特定亚组等目标人群，可用于模型训练的样本量和结局事件往往有限。与此同时，新入组或新建立的部署队列通常尚缺乏充分随访结局，难以直接利用结局信息重新训练或更新模型。传统迁移学习虽然能够借助外部数据缓解目标人群样本不足的问题，但通常没有针对预先确定的部署人群进行分布校准；而直接合并不同来源的数据又可能因人群间效应异质性引入额外偏倚。

针对上述问题，本研究创新性地提出了CoxRTL框架，将外部信息迁移、异质性校正和部署人群协变量再校准整合到统一的生存预测模型中。该方法首先评估外部数据与目标数据之间的可迁移性，筛选能够改善目标人群预测性能的外部数据；随后基于部署人群的基线协变量信息，引入分布自适应的加权部分似然机制，使历史训练队列在协变量层面与真实部署人群的分布保持一致；在此基础上，通过两步惩罚 Cox 迁移学习借用外部结局信息，并进一步基于目标数据进行异质性纠偏。由此，CoxRTL能够同时缓解小样本导致的估计不稳定、外部数据效应异质性以及训练—部署人群协变量漂移三个问题。值得注意的是，该方法在部署阶段仅需要部署人群的基线协变量，而无需其结局信息，因此尤其适用于新建立队列、未来时间段或新临床中心等随访结局尚未成熟的实际应用场景。

模拟研究在不同协变量维度、外部数据数量及多种分布漂移情景下系统评价了CoxRTL 的性能。结果显示，在目标人群、外部人群和部署人群同时存在协变量漂移的复杂情景下，CoxRTL在C-index、时间依赖AUC和预测误差等指标上均表现出稳定优势；同时，与 DeepSurv 等神经网络生存模型相比，CoxRTL在小样本、高维及协变量漂移情景下也表现出较好的预测性能和稳健性。

在美国国家健康与营养调查（National Health and Nutrition Examination Survey，NHANES）的真实数据应用中，研究团队针对老年人群的20种慢性疾病构建生存预测模型，并利用后续调查周期的数据模拟模型未来部署场景。结果表明，与仅使用老年目标人群训练的模型相比，CoxRTL在20种疾病中的预测区分能力均有所提高；与直接使用全人群数据建模相比，整体表现同样呈现稳定提升。此外，CoxRTL还进一步改善了5年AUC、预测误差、风险重分类、临床净获益及高低风险人群区分能力，表明该方法不仅提高了模型的区分度，也改善了预测校准和临床应用价值。

研究进一步在独立的上海郊区成人队列与生物样本库（Shanghai Suburban Adult Cohort and Biobank，SSACB）中进行了方法学复现。在11种可重复分析的慢性疾病中，CoxRTL同样表现出稳定的性能提升：相较于仅使用目标人群训练和直接合并人群训练的模型，预测性能均有一致改善，同时预测误差和风险重分类指标也得到优化。值得关注的是，年龄、体力活动和红细胞分布宽度等重要预测因素在独立的中国人群中仍表现出较为一致的预测贡献，进一步支持了该方法在不同地域和时间分布漂移场景下的稳健性。

总体而言，CoxRTL将迁移学习与面向实际部署人群的协变量再校准相结合，在不依赖部署人群结局信息的条件下，同时利用外部数据扩充有限的目标训练信息，并针对外部异质性和训练—部署分布漂移进行校正。该研究为解决临床预测模型从历史数据开发到未来真实场景部署过程中面临的性能退化问题提供了新的统计学习方法，也为小样本人群、特定临床亚组及跨时间、跨地域的预测模型开发与应用提供了新的研究思路。

复旦大学公共卫生学院博士生潘璐璐为第一作者，复旦大学公共卫生学院余勇夫教授、秦国友教授为共同通讯作者。该研究得到上海市市级科技重大专项（ZD2021CY001）、国家自然科学基金（82473724；82273730）、上海市人才计划-东方英才拔尖项目（BJKJ2024050）以及上海市教育发展基金会和上海市教育委员会“曙光计划”等项目资助。

论文链接：https://doi.org/10.1038/s42256-026-01285-x