Conformalized Survival Counterfactuals Prediction for General Right-Censored Data

会议: ICLR 2026
OpenReview: https://openreview.net/forum?id=1j0ormf8uI
代码: 待确认
领域: 因果推断 / 生存分析 / Conformal Prediction
关键词: 反事实预测, 生存分析, 右删失数据, 加权 Conformal, 下预测界 (LPB), 双重稳健

一句话总结

在「一般右删失 + 不同治疗方案」的临床场景下，本文用势结果框架 + 加权 conformal prediction 为反事实生存时间构造下预测界 (LPB)，把先前方法只能给出的 PAC 近似覆盖升级为精确边际覆盖，且对模型设定误差具有双重稳健性。

研究背景与动机

领域现状：在肿瘤等高风险医疗决策中，医生需要预测「某个病人在不同放化疗方案下能活多久」，这本质是一个反事实问题——同一个病人只能观测到一种治疗下的结果。生存数据天然带有右删失（很多病人在随访结束时仍存活，真实生存时间未知），传统 Cox、参数化生存函数方法依赖难以验证的分布假设，无法给出可靠的不确定性量化。相比预测整条生存函数，给出一个保守的下预测界 (Lower Predictive Bound, LPB)——「至少能活 L 年」——更适合高风险临床决策，因为过于乐观的预测可能导致有害的治疗选择。

现有痛点：Conformal prediction 已被引入右删失生存分析（Candès 2023 处理 Type-I 删失，Gui 2024 引入自适应 cutoff，Davidov 2025 扩展到一般右删失）。但这些工作有两个硬伤：(1) 不能给出治疗效应的 LPB，多数只在删失时间超过某阈值时适用；(2) 它们提供的只是 PAC 型保证——即「在已观测数据上近似达到边际覆盖」，本质是用经验平均 \(\hat\alpha(\tau)\) 去逼近总体量 \(\alpha(\tau)\)，二者之间始终有 gap。

核心矛盾：PAC 型覆盖在「平均意义」上成立，却可能在罕见、极端病例上失效——而这些极端 case 恰恰是临床上最致命、最需要保障的。在群体层面的精确边际覆盖才能保证对整个人群（含极端值）的安全预测。

本文目标：为一般右删失数据下的反事实生存时间构造一个 LPB \(\hat L^{(w)}_{N,n}(X)\)，对任意治疗 \(w\) 满足精确边际覆盖 \(P(T(w) \ge \hat L^{(w)}_{N,n}(X)) \ge 1-\alpha\)。

核心 idea：在 SUTVA + 强可忽略性假设下，把「覆盖概率」改写成一个加权期望，从而将带删失的反事实问题转化为标准的加权 conformal inference 问题——这样就能用分位数回归得到精确覆盖的 LPB，绕开 PAC 方法里 \(\hat\alpha(\tau)\!\approx\!\alpha(\tau)\) 的近似误差。

方法详解

整体框架

给定数据 \(\{W_i,X_i,\tilde T_i,e_i\}\)（\(\tilde T=\min(T,C)\) 为删失后观测时间，\(e=\mathbb 1\{T<C\}\) 为是否发生事件的指示），方法分两步：先在训练折 \(\mathcal D_{tr}\) 上拟合反事实分位数回归 \(\hat q^{(w)}_\tau(x)\) 和权重函数 \(\hat\omega(x)\)，再在校准折 \(\mathcal D_{cal}\) 上用加权 conformal 把分位数估计校准成带精确覆盖保证的 LPB。关键的理论桥梁是一串恒等变换：把目标覆盖 \(\alpha\) 表示成「只在已发生事件（\(e=1\)）的样本上、用密度比权重 \(\omega(x)\) 加权」的期望，从而把反事实 + 删失问题归约成一个协变量漂移下的加权 conformal 问题。

flowchart TD
    A["右删失数据<br/>{W,X,T̃,e}"] --> B["训练折 D_tr"]
    A --> C["校准折 D_cal"]
    B --> D["拟合反事实分位数回归<br/>q̂_τ^(w)(x) (CQR)"]
    B --> E["拟合权重函数<br/>ω̂(x)=1/γ̂(x)<br/>(随机森林)"]
    D --> F["非一致性分数<br/>V_i = q̂_τ^(w)(X_i) − T̃_i"]
    C --> F
    E --> G["加权分位数校准<br/>c_{1−α}^(w)(τ)"]
    F --> G
    G --> H["LPB: L̂^(w)=q̂_τ^(w)(X) − c_{1−α}^(w)(τ)"]
    H --> I["对 τ 优化<br/>τ*(x)=argmax L̂^(w)(X,τ)"]

关键设计

1. 覆盖概率的加权期望重写：把删失反事实问题归约为加权 conformal。 这是全文的理论核心。先前的自适应 cutoff 方法之所以只能给 PAC 保证，是因为它们定义 \(\alpha(\tau):=P(T<\hat q_\tau(X))\) 并用经验版 \(\hat\alpha(\tau)\) 去搜 cutoff，当 \(\hat q_\tau\) 估不准时 \(\hat\alpha(\tau)\) 与 \(\alpha(\tau)\) 有 gap。本文换一条路：不去逼近 \(\alpha(\tau)\)，而是对 \(P(V^{(w)}(X,\tilde T)\le c^{(w)}_{1-\alpha}(\tau))\) 给一个恰好等于 \(\alpha\) 的上界。通过强可忽略性（\(\{T(1),T(0)\}\perp\!\!\!\perp (W,C)\mid X\)）、SUTVA 与 tower property 逐步推导，得到

\[\alpha = \mathbb E\!\left[\mathbb 1\!\left(V(\tilde T,X)\ge c^{(w)}_{1-\alpha}(\tau)\right)\cdot \frac{p(W=w,e=1)}{\gamma(x)}\;\Big|\;W=w,e=1\right],\]

其中 \(\gamma(x):=p(W=w,e=1\mid x)\)。这一步把对反事实总体 \(P_X\times P_{T(w)\mid X}\) 的覆盖，转化成只在「接受治疗 \(w\) 且事件已发生（\(e=1\)，此时 \(T=\tilde T\) 完全可观测）」的子样本上、用密度比加权的覆盖。删失带来的「看不见真值」难题在这里被巧妙绕开——校准只用真值已知的那部分样本。

2. 密度比权重与加权分位数校准。 上一步引出的权重 \(\omega(x)=\dfrac{p(W=w,e=1)}{\gamma(x)}\) 正是 Radon-Nikodym 导数 \(\frac{dP_X}{dP_{X\mid W=w,e=1}}(x)\)，刻画了「全体人群分布」与「治疗 \(w\) 且事件发生子群分布」之间的协变量漂移。由于 \(p(W=w,e=1)\) 在分子分母可约掉，实际上只需估 \(\hat\omega(x):=1/\hat\gamma(x)\)（用随机森林分类器拟合 \(\gamma\)）。非一致性分数取 \(V^{(w)}_i=\hat q^{(w)}_\tau(X_i)-\tilde T_i\)（Romano 2019 的 CQR 分数）。最终校准阈值按 Lei & Candès (2021) 的加权 conformal 取加权经验分布的分位数：

\[c^{(w)}_{1-\alpha}(\tau)=\text{Quantile}\Big(1-\alpha;\textstyle\sum_{i}\hat p_i(x)\,\delta_{V^{(w)}_i}+\hat p_\infty(x)\,\delta_\infty\Big),\quad \hat p_i(x)=\frac{\hat\omega(x_i)}{\sum_j\hat\omega(x_j)+\hat\omega(x)},\]

LPB 即 \(\hat L^{(w)}_{N,n}(X)=\hat q^{(w)}_\tau(X)-c^{(w)}_{1-\alpha}(\tau)\)。\(\delta_\infty\) 项是加权 conformal 对测试点自身的保守补偿，保证有限样本下的精确覆盖。

3. τ 自适应优化：让保守的下界尽量贴近真值。 理论保证对任意 \(\tau\in(0,1)\) 都成立，这给了优化空间——可以选 \(\tau\) 让 LPB 尽可能大（信息量更高、不那么保守）。对每个测试点 \(x\) 取

\[\tau^*(x)=\arg\max_{\tau\in(0,1)}\big(\hat q^{(w)}_\tau(x)-c^{(w)}_{1-\alpha}(\tau)(x)\big),\]

由于覆盖保证不依赖 \(\tau\) 的选取，这种「先固定覆盖、再最大化 LPB」的两阶段策略不会破坏有效性，却显著提升了界的实用价值。

4. 精确覆盖 + 双重稳健的理论保证。 Theorem 4.1 给出 distribution-free 的精确有限样本界：\(P(T(w)\ge\hat L^{(w)}_{N,n}(X))\ge 1-\alpha-\tfrac12\mathbb E[|\hat\omega(X)-\omega(X)|]\)，覆盖损失只取决于权重估计误差，随密度比估准而消失。Theorem 4.2 进一步证明双重稳健：只要权重函数 \(\hat\gamma(x)\) 与反事实分位数 \(\hat q^{(w)}(x)\) 中至少有一个估计一致，渐近覆盖 \(\ge 1-\alpha\) 就成立——两个估计器互为兜底，一个失准时另一个补偿，这对临床数据这种模型容易设错的场景尤为重要。

实验关键数据

实验目标覆盖率统一设为 \(1-\alpha=90\%\)（红色虚线），评估两个指标：经验覆盖率（越接近 90% 越好）与相对 LPB（越大越信息量足）。对比方法：Uncab（不校准）、Naive、Focus 与 Fused（均为 Davidov 2025 的 PAC 型方法）。

主实验（合成数据，6 种设定）

维度	Ours	Naive / Focus	Fused
覆盖率达标	✅ 6 种设定均最贴近 90%	部分保守/不稳	✅ 但 PAC 型
LPB 信息量	最高（达标方法中）	偏保守	在 setting 3/4/5 显著小于 Ours
保证类型	精确边际覆盖	近似	PAC 近似

Ours 在所有满足覆盖的方法里给出最大 LPB；在 setting 3/4/5 上覆盖率与 Fused 相当但 LPB 明显更大。

鲁棒性（注入离群值，setting 4）

对 10% 数据减去正态噪声制造离群（\(\mathcal N(1,2)\to\mathcal N(20,2)\)，离群值越来越小）：Ours 始终保持 90% 覆盖，而 PAC 型的 Focus / Fused 在离群存在时无法保证边际覆盖——印证了「PAC 在极端 case 上会塌」的核心动机。

多治疗 & τ 优化

• 多治疗场景（Figure 2）：不同治疗的 LPB 各异但都满足覆盖保证，可用于个性化方案比较与选择。
• τ 优化（Table 1，setting 4）：\(\tau^*\) 选出的 LPB 与 \(\tau=\alpha\) 时几乎相当（如 \(\alpha=0.1\) 时 0.803 vs 0.778），说明分位数回归训练良好；\(\alpha=0.05/0.10/0.15/0.20\) 对应平均覆盖率 0.958/0.914/0.872/0.845。

真实临床数据（541 例非小细胞肺癌）

124 维临床 + 影像组学特征，4 种放化疗方案。结果与已知临床证据一致：VMAT 的中位 LPB 高于 IMRT（与 VMAT 更优临床获益吻合）；加入诱导化疗、同步化疗带来更高 LPB（与既往研究一致），展示了方法作为「个性化治疗比较与选择的分析基准」的潜力。

关键发现

• 精确覆盖与高信息量可以兼得：在保证 90% 覆盖的前提下，LPB 比 PAC 型方法更不保守。
• 离群鲁棒性是精确边际覆盖相对 PAC 的实质优势，而非理论上的细枝末节。
• 真实肺癌数据上的结论与临床先验一致，增强了方法的可信度。

亮点与洞察

• 把删失的「难点」变成校准的「资源」：只用 \(e=1\)（事件已发生、真值可观测）的样本做校准，再用密度比权重纠偏，巧妙规避了删失样本真值未知的根本困难，这是从 PAC 跨到精确覆盖的关键一招。
• 精确边际覆盖 vs PAC 的临床意义被讲透：作者没有停留在「理论上更强」，而是用离群实验直接展示 PAC 在极端病例上失效——这正是高风险医疗最在意的尾部。
• 双重稳健让方法落地更稳：临床数据上权重模型或分位数模型总有一个容易设错，双重稳健提供了实用的安全冗余。

局限与展望

• 界更宽的代价：精确保证以更宽的预测区间为代价（setting 3/4/5 中 LPB 比 Fused 大但区间也更宽），保守性与精确性之间存在 trade-off。
• 依赖强可忽略性 + overlap：与所有因果推断方法一样，无法验证的未观测混杂假设是根本前提，临床观察数据上未必满足。
• 权重估计质量决定覆盖损失：Theorem 4.1 的覆盖损失项 \(\tfrac12\mathbb E|\hat\omega-\omega|\) 表明高维协变量下密度比估不准会侵蚀覆盖。
• 真实数据规模有限：541 例单中心肺癌数据，外部效度与跨中心泛化仍待验证。
• 仅考虑二元/有限治疗，连续剂量、动态治疗序列等更复杂决策场景留待后续。

相关工作与启发

• 生存 conformal 谱系：Candès 2023（Type-I 删失首作）→ Qi 2024（best-guess 填补）→ Gui 2024（自适应 cutoff）→ Davidov 2025（一般右删失，PAC）。本文是这条线上首个在一般右删失下达到精确覆盖的反事实工作。
• 加权 conformal 与协变量漂移：核心机制承接 Lei & Candès (2021)、Jin et al. (2023) 的加权 conformal，把因果中的「治疗组 vs 总体」漂移当作协变量漂移处理，这是 conformal 因果推断的通用范式。
• CQR 基座：非一致性分数沿用 Romano et al. (2019) 的 conformalized quantile regression，分位数回归可换 CQR forest / 神经网络等。
• 启发：「先恒等变换覆盖目标 → 归约为加权 conformal → 再做 τ 自适应」的三段式套路，可迁移到其他带删失/缺失的不确定性量化问题（如竞争风险、复发事件）。

评分

• 新颖性: ⭐⭐⭐⭐ — 首次在一般右删失反事实生存场景下把 PAC 升级为精确边际覆盖，覆盖概率的加权期望重写是干净且有洞察的理论贡献。
• 实验充分度: ⭐⭐⭐⭐ — 6 种合成设定 + 离群鲁棒性 + 多治疗 + 真实肺癌数据，并与 PAC 型 SOTA 充分对比；真实数据为单中心、规模偏小略减分。
• 写作质量: ⭐⭐⭐⭐ — 动机—方法—理论—实验逻辑清晰，恒等变换推导完整，PAC vs 精确覆盖的临床意义阐述到位。
• 价值: ⭐⭐⭐⭐ — 为个性化治疗比较提供带精确统计保证的分析基准，在高风险医疗决策中具有直接落地价值。

相关论文

• [ICLR 2026] Adjusting Prediction Model Through Wasserstein Geodesic for Causal Inference
• [ICLR 2026] Privacy-Protected Causal Survival Analysis Under Distribution Shift
• [NeurIPS 2025] Differentiable Structure Learning and Causal Discovery for General Binary Data
• [ICLR 2026] Foundation Models for Causal Inference via Prior-Data Fitted Networks
• [ICLR 2026] Influence without Confounding: Causal Discovery from Temporal Data with Long-term Carry-over Effects