ICLR2026 医疗NLP heterogeneous treatment effects survival analysis right-censored data causal inference benchmark CATE meta-learners precision medicine

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¶

整体框架¶

SurvHTE-Bench 想回答一个看似简单却一直没被系统验证的问题：当生存数据带右删失、又叠加各种因果假设违反时，到底哪类 HTE 估计器还靠得住。整个基准沿"数据 → 方法 → 指标"三层搭起来：先造一批已知 CATE ground truth 的数据集（从纯合成到半合成再到真实），覆盖从理想 RCT 到多重假设违反、从低删失到 >90% 删失的极端组合；再把现有 53 种估计方法统一收编进三大家族同台竞技；最后用统一的 CATE RMSE 和 ATE 偏差打分，跨数据集做 Borda Count 排名。这样任何一种方法的强弱都能落到"在什么删失水平、什么假设违反下"这个坐标系里，而不再是各说各话。

关键设计¶

1. 合成数据：用 8 因果配置 × 5 生存场景把"假设违反"和"删失强度"两个轴拆干净

纯合成数据是整个基准唯一能拿到精确 CATE ground truth 的地方，因为两个潜在结果 \(T_i(0)\) 和 \(T_i(1)\) 都由已知机制生成。设计上刻意让两条轴正交：一条轴管治疗分配与因果假设，从随机化的 RCT-50 / RCT-5 一路退化到破坏可忽略性（UConf）、破坏正性（NoPos）、再叠加信息性删失（InfC），共 8 种配置；另一条轴管事件时间分布与删失率，用 Cox / AFT / Poisson 三种生存时间分布配上低（<30%）/ 中（30–70%）/ 高（>70%）三档删失，凑成 5 种场景。

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	✗	✓	✗	✗

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，每个含 50,000 样本、5 维均匀分布协变量、二元治疗。正因为两轴解耦，后面才能干净地把"某方法掉链子"归因到底是被假设违反害的，还是被高删失害的。

2. 半合成数据：保留真实协变量分布，只模拟治疗和结局，逼近真实世界的混杂结构

纯合成的协变量太"干净"，于是这一层换上真实临床数据的协变量，再在其上模拟治疗分配和生存结局——既保住 ground truth 可算，又把真实数据里那种协变量依赖的治疗、非线性交互重新引进来。共 10 个数据集：1 个 ACTG 半合成（基于 HIV 临床试验的 23 维协变量，中等删失 51%），9 个 MIMIC 半合成（基于 MIMIC-IV ICU 数据库的 36 维协变量，删失横跨 53%–88%）。这一层专门用来检验方法在"协变量真实、但效应已知"的中间地带还稳不稳。

3. 真实数据：彻底放手 ground truth，看方法在真临床数据上的最终落地

最后两个数据集贴近实战。Twins（双胞胎出生数据，11,400 对双胞胎，删失率 84.8%）因为同卵双胞胎天然提供近似反事实，难得地带有可用 ground truth；ACTG 175（HIV 抗逆转录病毒治疗临床试验，2,139 名患者，基线删失仅 13.7%）则被人工加删失到 >90%，专门压测极端删失。两者一起检验合成数据上的排名能不能迁移到真实场景。

4. 方法分类：把 53 种估计器统一收编进三大家族，连此前未发表的自然扩展也补齐

基准的另一半价值，在于第一次把零散的生存 HTE 方法摆到同一张分类表上。家族一是结果插补方法（42 种变体）：先用 Pseudo-obs / Margin / IPCW-T 把删失时间补成可用结果，再套标准 CATE 估计器（S-/T-/X-/DR-Learner 各配 Lasso / 随机森林 / XGBoost，外加 Double-ML 和 Causal Forest），变体数量最多。家族二是直接生存因果方法（2 种），不绕插补、直接在时间-事件结果上做因果推断，包括基于神经网络平衡表示学习的 SurvITE 和把广义随机森林扩到生存数据的 Causal Survival Forests。家族三是生存 meta-learner（9 种变体），把 meta-learner 里的基学习器换成生存模型（S-/T-/Matching-learner 搭配 Random Survival Forests / DeepSurv / DeepHit），其中不少是本文补上的、此前未发表的自然扩展。

5. 评估指标：以个体级 CATE RMSE 为主、群体级 ATE 偏差为辅，再配一组诊断量

主指标是 CATE RMSE，直接衡量个体级处理效应估得准不准；ATE 偏差作为辅助，看群体平均处理效应有没有系统性偏移；另有插补 MAE、回归/生存模型拟合度（C-index、AUC）等辅助指标，帮助定位误差来源。每个数据集上各方法按 CATE RMSE 排名，再跨全部数据集做 Borda Count 聚合，得到不被任何单一数据集主导的总排名。

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

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。