[NeurIPS 2025] SurvHTE-Bench: 填补生存数据异质性效应评估的“最后一公里”

TL;DR

在精准医疗和个性化决策中，估算个体层面的治疗效应（CATE）至关重要。然而，面对带有“右删失”标签的生存数据，研究者往往陷入评估标准混乱的泥潭。本文推出了 SurvHTE-Bench，通过 40 个合成数据集、10 个半合成数据集以及 2 个真实世界案例（Twins 和 HIV 临床试验），对 53 种方法进行了名为“压力测试”的系统性对决，揭示了生存 Meta-learners 在复杂场景下的卓越鲁棒性。

痛点深挖：为何生存数据的 HTE 这么难？

在因果推断的学术景观中，生存分析由于其独特的**右删失（Right-censoring）**特性，始终是一块硬骨头。

1. 反事实不可见：这是因果推断的共性，但生存时间因观察周期的限制，经常只知道“在某个时间点尚未发生”，而非确切时间。
2. 评估碎片化：现有的方法（如 Causal Survival Forests）往往在各自生成的模拟数据上号称 SOTA，但由于缺乏统一的基准，这些结论往往难以经受不同删失率、不同分布模型的考验。
3. 假设违反（Assumption Violation）：现实医疗场景中，忽略性（Ignorability）和正值性（Positivity）常遭破坏。目前缺乏能同时测试这些极端情况的公共基准。

方法论详解：三大家族的统一与博弈

作者将现有的 survival HTE 算法框架清晰地归纳为“三大家族”，并在 SurvHTE-Bench 中实现了它们的模块化复刻：

1. 结果插补法 (Outcome Imputation)：将删失数据通过 Pseudo-obs, Margin 或 IPCW-T 转化为完全观测数据，再套用经典的 Double-ML 或 Causal Forest。
2. 直接生存因果法 (Direct-survival CATE)：原生支持删失数据，如 Causal Survival Forests (CSF) 和基于平衡表征学习的 SurvITE。
3. 生存元学习器 (Survival Meta-learners)：将 S-learner, T-learner 等扩展到生存模型（如 DeepSurv, RSF）上。

核心架构图示

上图展示了合成数据集通过 8 种因果配置与 5 种生存分布（Cox, AFT, Poisson）交叉生成的逻辑，确保了基准的全面性。

实验与结果：生存模型何时胜出？

通过大规模对比，研究得出了一些极具启发性的结论：

• 删失率是分水岭：当删失率较低（<30%）且符合随机分配时，Double-ML 配合 Margin 插补法往往能在 RMSE 上夺冠。
• 高删失下的王者：随着删失率飙升至 70% 以上，S-Learner-Survival 和 Matching-Survival（尤其是基于 DeepSurv 底层的）展现出了极强的统治力。
• 算法多样性的选择：Causal Survival Forests 在大多数情况下表现稳健，但在违反 Positivity（正值性） 假设时，其性能下降程度超过了 Meta-learners。

性能对比可视化

图注：Borda Count 排名显示，基于 DeepSurv 的 S-Learner-Survival 在 RMSE 综合表现上排名第一，而传统的插补方法在复杂配置下掉队明显。

深度洞察：SurvHTE-Bench 的行业价值

SurvHTE-Bench 的出现，不仅是算法排名的刷新，更是对生存因果推断领域的一种“拨乱反正”。

1. 可扩展性 (Extensibility)：作者提供的开源框架允许研究者轻松插入新的 Base Learner（如最新的 Transformer 生存模型）。
2. 现实主义转向：通过引入 Informative Censoring（患者因病情严重而中途退出，导致删失时间与生存时间相关），迫使模型面对真实的临床复杂性。
3. 未来的路：尽管该基准非常全面，但目前暂未涵盖时间相关治疗（Time-varying treatments）模型，这将是未来该领域的核心战场。

总结：如果你正在进行精准医疗或是个性化用药策略的研究，SurvHTE-Bench 是检验你算法成色的“第一试金石”。

开源链接：SurvHTE-Bench GitHub