SurvHTE-Bench: A Benchmark for Heterogeneous Treatment Effect Estimation in Survival Analysis¶
会议: ICLR2026
arXiv: 2603.05483
代码: GitHub
领域: 医学图像
关键词: heterogeneous treatment effects, survival analysis, right-censored data, causal inference, benchmark, CATE, meta-learners, precision medicine
一句话总结¶
提出 SurvHTE-Bench，首个面向右删失生存数据的异质处理效应（HTE）估计综合基准，涵盖 40 个合成数据集、10 个半合成数据集和 2 个真实数据集，系统评估了 53 种估计方法在不同因果假设违反和删失水平下的表现，发现没有单一方法占主导地位，生存 meta-learner（特别是 S-Learner-Survival 和 Matching-Survival）在高删失和假设违反场景下表现最为稳健。
研究背景与动机¶
问题定义¶
异质处理效应（HTE）估计旨在量化同一治疗对不同个体的差异化疗效，在精准医疗和个性化政策制定中具有核心价值。在生存分析场景中，观测时间受右删失影响（即部分个体在研究结束前未发生目标事件），这使得 HTE 估计面临三重挑战：
反事实不可观测：每个个体只能观察到接受或未接受治疗时的一个结果
混杂因素：观察性研究中治疗分配受协变量影响
删失机制：删失可能与事件时间相关（信息性删失），违反标准假设
现有评估实践的缺陷¶
尽管近年来提出了众多生存 HTE 估计方法（因果生存森林、生存 meta-learner、结果插补方法 等），评估实践仍高度碎片化：
- 各研究使用自定义模拟数据，假设设定和删失水平各不相同
- 缺乏统一的已知真实值（ground truth）基准
- 不同方法之间无法进行公平比较
- 估计器在同时多假设违反下的鲁棒性未知
已有的因果推断基准（如 CausalBench）仅针对完全观测结果，而生存 ATE 基准不覆盖个体级异质效应。生存 HTE 估计领域至今缺少标准化基准——这正是本文的核心动机。
因果识别假设¶
估计条件平均处理效应（CATE）依赖五个关键假设：
- (A1) 一致性：观测结果等于潜在结果 \(T_i = T_i(W_i)\)
- (A2) 可忽略性：潜在结果独立于治疗分配（给定协变量）
- (A3) 正性：所有协变量水平下治疗概率有界远离 0 和 1
- (A4) 可忽略删失：删失时间独立于事件时间（给定协变量和治疗）
- (A5) 删失正性：删失概率不为 1
在实际应用中，这些假设经常被违反——未观测的预后因素破坏可忽略性、治疗指南破坏正性、与预后相关的退出导致信息性删失。SurvHTE-Bench 的核心目标就是衡量估计器在这些违反情况下的行为。
方法详解¶
基准设计：三层数据结构¶
1. 合成数据（40 个数据集）¶
沿两个正交轴系统变化：
8 种因果配置（治疗分配 × 假设违反组合）：
| 配置 | 随机化 | 可忽略性 | 正性 | 可忽略删失 |
|---|---|---|---|---|
| RCT-50 | ✓ | ✓ | ✓ | ✓ |
| RCT-5 | ✓ | ✓ | ✓ | ✓ |
| OBS-CPS | ✗ | ✓ | ✓ | ✓ |
| OBS-UConf | ✗ | ✗ | ✓ | ✓ |
| OBS-NoPos | ✗ | ✓ | ✗ | ✓ |
| OBS-CPS-InfC | ✗ | ✓ | ✓ | ✗ |
| OBS-UConf-InfC | ✗ | ✗ | ✓ | ✗ |
| OBS-NoPos-InfC | ✗ | ✓ | ✗ | ✗ |
5 种生存场景（事件时间分布 × 删失率）：
| 场景 | 生存时间分布 | 删失率 |
|---|---|---|
| A | Cox | 低（<30%） |
| B | AFT | 低（<30%） |
| C | Poisson | 中（30-70%） |
| D | AFT | 高（>70%） |
| E | Poisson | 高（>70%） |
8 × 5 = 40 个合成数据集，每个包含 50,000 个样本，5 维均匀分布协变量，二元治疗，且两个潜在结果 \(T_i(0)\) 和 \(T_i(1)\) 均已知，确保 CATE ground truth 可用。
2. 半合成数据（10 个数据集）¶
使用真实协变量 + 模拟治疗和结局：
- ACTG 半合成（1 个）：基于 HIV 临床试验的 23 维协变量，中等删失（51%）
- MIMIC 半合成（9 个）：基于 MIMIC-IV ICU 数据库的 36 维协变量，涵盖 53%–88% 删失范围，包括协变量依赖的治疗分配和非线性交互机制
3. 真实数据（2 个数据集）¶
- Twins 数据集：双胞胎出生数据，已知 ground truth（11,400 对双胞胎，删失率 84.8%）
- ACTG 175 数据集：HIV 抗逆转录病毒治疗临床试验（2,139 名患者，基线删失 13.7%，人工增加删失至 >90%）
方法分类：三大家族 53 种变体¶
家族 1：结果插补方法（42 种变体）
先用插补算法处理删失时间，再应用标准 CATE 估计器： - 插补算法：Pseudo-obs、Margin、IPCW-T - CATE 估计器：S-/T-/X-/DR-Learner（各搭配 Lasso/随机森林/XGBoost）+ Double-ML + Causal Forest
家族 2：直接生存因果方法（2 种）
直接在时间-事件结果上扩展因果推断： - SurvITE：基于神经网络的平衡表示学习 - Causal Survival Forests：广义随机森林在生存数据上的扩展
家族 3：生存 meta-learner（9 种变体）
用生存模型替代 meta-learner 中的基学习器： - Meta-learner 类型：S-/T-/Matching-learner - 生存基模型：Random Survival Forests、DeepSurv、DeepHit
评估指标¶
- CATE RMSE：个体级处理效应估计的均方根误差
- ATE 偏差：群体平均处理效应的系统偏差
- 辅助指标：插补 MAE、回归/生存模型拟合度（C-index、AUC）
实验结果¶
合成数据总体排名（Borda Count）¶
每个数据集上按 CATE RMSE 排名，跨 40 个数据集 × 10 次随机划分取平均：
| 排名 | 方法 | 平均排名 | 方法家族 |
|---|---|---|---|
| 1 | S-Learner-Survival (DeepSurv) | 5.17 | 生存 meta-learner |
| 2 | Matching-Survival (DeepSurv) | 5.42 | 生存 meta-learner |
| 3 | Double-ML + Margin | 6.65 | 结果插补 |
| — | Causal Survival Forests | 5.10* | 直接生存因果 |
*注：5.10 为方法家族级别（11 个家族中选最优变体后）的排名。
方法家族级别排名（每个数据集选该家族最优变体）：S-Learner-Survival（3.30）> Matching-Survival（3.48）> Double-ML（3.98）> Causal Survival Forests（5.10）。
假设违反对性能的影响¶
| 场景 | 最优方法趋势 | 关键发现 |
|---|---|---|
| RCT-50（理想条件） | 结果插补方法占优 | Double-ML（3.60）和 Causal Forest（5.60）与生存 meta-learner 持平 |
| RCT-5（治疗极不平衡） | Double-ML 领先 | T-Learner-Survival 跌至末位（9.00），因治疗组样本稀疏 |
| OBS-UConf（可忽略性违反） | 生存 meta-learner 稳定 | 生存 meta-learner 和 CSF 的 ATE 偏差一致，结果插补方法偏差增大 |
| OBS-NoPos（正性违反） | Double-ML/X-Learner 强势 | CSF 排名大幅下降，对确定性治疗分配区域敏感 |
| 多重违反 | 生存 meta-learner 重获优势 | 在正性 + 其他假设同时违反时，生存 meta-learner 最鲁棒 |
| InfC（信息性删失） | 生存方法持续领先 | 所有方法性能均下降，CATE RMSE 方差显著增大 |
删失率的影响¶
| 删失水平 | 最优家族 | 代表方法 |
|---|---|---|
| 低（场景 A, B） | 结果插补 | Double-ML 排名第一 |
| 中（场景 C） | 竞争均衡 | 各家族接近 |
| 高（场景 D, E） | 生存 meta-learner | S-Learner-Survival（1.6）、Matching-Survival（2.4），对其他方法形成压倒性优势 |
场景 D（高删失 + AFT 分布）下几乎所有估计器 ATE 偏差均大幅发散，表明高删失率下基于 RMST 的处理效应估计仍是极具挑战的任务。
半合成数据¶
MIMIC-ii–v 系列（删失 53%–88%）CATE RMSE 比较（10 次重复均值 ± 标准差）：
| 方法 | ACTG (51%) | MIMIC-v (53%) | MIMIC-ii (88%) |
|---|---|---|---|
| Double-ML | 10.651±0.24 | 7.891±0.05 | 7.954±0.05 |
| S-Learner-Survival | 11.713±0.24 | 7.897±0.04 | 7.921±0.04 |
| Matching-Survival | 12.523±0.29 | 7.912±0.04 | 7.949±0.04 |
| SurvITE | 12.714±0.56 | 7.906±0.07 | 7.931±0.05 |
| CSF | 11.674±0.17 | 7.893±0.04 | 7.963±0.06 |
关键发现：(1) 在中等维度的 ACTG 数据中 Double-ML 最优；(2) 在高删失 MIMIC 数据中生存方法（SurvITE 和 S-Learner-Survival）最稳定；(3) 各方法 RMSE 差距在真实协变量空间中被压缩。
真实数据¶
- Twins 数据集：S-Learner 和 DR-Learner（含插补）以及 S-Learner-Survival 表现最佳（RMSE ≈ 7.2 天），Double-ML 表现最差（与合成排名不一致，暗示数据特有模式）
- ACTG 175 数据集：在人工高删失条件下，CSF 估计最稳定，生存 meta-learner（T-/Matching-learner）表现出显著不稳定性
亮点与创新¶
- 首个生存 HTE 基准：填补了右删失生存数据 HTE 评估的空白，建立了可复现、可扩展的标准化评估平台
- 系统化方法分类：首次将 53 种方法统一到三大家族框架中，包含多个此前未发表的自然扩展变体
- 全面的假设违反分析：不仅测试单一假设违反，还考察多重同时违反，揭示了方法鲁棒性的真实边界
- 实用选型指南：为从业者提供了清晰的方法选择路线——低删失用 Double-ML，高删失用 S-Learner-Survival，多重违反用生存 meta-learner
局限性¶
- 假设违反为二元（有/无），未建模渐进式违反严重度（如 Rosenbaum Γ 敏感性分析）
- 仅考虑静态二元治疗和固定基线协变量，未覆盖时变治疗、工具变量和动态协变量
- 目标估量主要关注 RMST，虽附录补充了生存概率结果，但中位生存时间、时变风险比等临床常用指标未涉及
- 合成数据的协变量结构（5 维均匀分布）可能不充分代表真实高维医疗数据
- 部分真实数据集（MIMIC-IV）需凭证访问，影响可复现性
相关工作¶
- 非删失 HTE 基准：Shimoni et al. (2018)、Crabbé et al. (2022)、CausalBench (2024) 等针对完全观测结果
- 生存 ATE 基准：Voinot et al. (2025) 针对群体平均效应，不涉及个体异质效应
- 因果生存森林：Cui et al. (2023) 扩展广义随机森林到生存数据，但评估范围有限
- SurvITE：Curth et al. (2021) 基于平衡表示的神经网络方法
- 生存 meta-learner：Bo et al. (2024)、Noroozizadeh et al. (2025) 将 meta-learner 适配生存模型
- 结果插补：Qi et al. (2023) 提出 IPCW-T 等删失时间替代策略
- 双重去偏机器学习：Chernozhukov et al. (2018) Double-ML 框架
评分¶
| 维度 | 分数 |
|---|---|
| 新颖性 | ⭐⭐⭐ |
| 有效性 | ⭐⭐⭐⭐ |
| 意义 | ⭐⭐⭐⭐ |
| 清晰度 | ⭐⭐⭐⭐ |
总评：⭐⭐⭐⭐ — 作为首个生存 HTE 综合基准，实验设计严谨（40 合成 + 10 半合成 + 2 真实，53 种方法），填补了重要空白。核心发现（无单一最优方法、删失率和假设违反决定方法选择）具有显著实践价值。但在假设违反渐进建模和估量多样性上仍有改进空间。