arXiv cs.AI· Liangze Ke, Daniel Zelterman, Wei Wei, Guannan Gong·· 12 小时前AI 评分31
StochIKM：从已发表 Kaplan-Meier 曲线自动高保真重建个体患者数据
StochIKM: Automated High-Fidelity Reconstruction of Individual Patient Data from Published Kaplan-Meier Curves
AI 导读
StochIKM 是一种随机算法，用视觉语言模型数字化 Kaplan-Meier 曲线图，并以“精确复现风险表、贴合曲线至图像分辨率、符合印刷中位数/区间/事件数”为约束，输出一组可接受的个体患者数据集。在模拟实验和 79 个已发表肿瘤试验组中，它复现风险表与中位数的效果优于 LLM 改进版 IPDfromKM。只要曲线图被正确读取，解就必然存在，失败则指向原图或数字化环节的问题。
正文 · AI 翻译
摘要：个体患者数据是对时间-事件证据进行二次分析的金标准，但这类数据很少公开，而从已发表的 Kaplan-Meier 图进行重建可能有所帮助。现有方法都声称具有高保真度，但各自仅以自身恰好达到的一致性作为评判依据，并且尽管从图到数据的映射并非双射，每种方法都只返回单一数据集。我们明确地定义了保真度：当数据集能精确复现风险表、在图像分辨率范围内贴合数字化曲线，并符合印刷的中位数、区间和事件数时，该数据集是可接受的。我们提出 StochIKM，这是一种随机算法，它利用具备视觉能力的语言模型对图进行数字化，并将高保真度定义作为约束，返回一组可接受的个体患者数据集。只要图被正确读取，解就保证存在，因此失败要么归咎于已发表的图，要么归咎于其数字化过程。在模拟中以及在来自已发表肿瘤学试验的 79 个臂中，StochIKM 复现已发表风险表和中位数的接近程度优于 LLM 改进的 IPDfromKM，后者是一个高影响力的替代方案。
| 学科： | 人工智能（cs.AI）；应用（stat.AP） |
| 引用为： | arXiv:2610.29122 [cs.AI] |
| （或 arXiv:2610.29122v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29122 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Guannan Gong [查看电子邮件]
[v1]
2026年10月21日星期三 03:05:49 UTC（1,072 KB）
[v2]
2026年10月22日星期四 02:47:45 UTC（1,072 KB）
来源：arXiv cs.AI · arxiv.org