arXiv cs.AI· Yishu Wei, Hexin Dong, Yi Lin, Jiahe Qian, Yi Liu, Yifan Peng·· 10 小时前AI 评分27
LLMSurvival：面向删失感知生存分析的端到端 LLM 框架
Towards end-to-end LLM-based censoring-aware survival analysis
AI 导读
LLMSurvival 框架让未经修改的 LLM 直接处理表格临床数据，实现删失感知的生存分析，其方法是将时间到事件预测重构为可比个体间的成对排序，并在测试时通过与训练队列锚点个体比较聚合风险。
正文 · AI 翻译
摘要：目的：生存分析是医学预测的核心，但大型语言模型（LLM）很少被用作端到端生存模型，因为删失使得直接的监督微调无法进行。在此我们提出 LLMSurvival，一个框架，使未经修改的 LLM 能够直接基于表格临床数据进行删失感知的生存分析。
材料与方法：LLMSurvival 将时间-事件预测重新表述为可比受试者之间的成对排序，并通过聚合与训练队列中锚定个体的比较来推导测试时风险。
结果：在两个临床任务中（MIMIC-IV 中的 ICU 死亡率预测和 NewYork-Presbyterian/Weill Cornell Medicine 队列中的脆性骨折预测），LLMSurvival 相较于 Cox 比例风险模型，将 ICU 死亡率的总体一致性提高了 3.1%，骨折风险提高了 0.5%；相较于三个已建立的深度学习生存模型，ICU 死亡率平均提高 2.1%，骨折风险平均提高 2.8%。
讨论：结果表明，通过基于比较的重新表述，带删失的生存建模可以与 LLM 微调兼容。该框架在多样化的临床情境中展现出高可移植性，并优于 SAPS-II 和 FRAX 评分等专家制定的评分。此外，该框架支持本地部署，因为紧凑的公开可用基础模型即可提供足够的性能。
结论：LLMSurvival 框架为通过 LLM 进行综合的、考虑删失的生存分析提供了一个概念验证。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2605.25399 [cs.AI] |
| （或 arXiv:2605.25399v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2605.25399 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yishu Wei [查看邮箱]
[v1]
2026年5月25日星期一 03:45:42 UTC（601 KB）
[v2]
2026年11月10日星期二 17:35:42 UTC（604 KB）
来源：arXiv cs.AI · arxiv.org