医学影像人工智能与生存分析的交叉研究正变得越来越深入。
一、UMedPT：一个用1%数据达到95%性能的多任务基础模型
论文《Overcoming data scarcity in biomedical imaging with a foundational multi-task model》提出了一个名为 UMedPT 的基础多任务模型，其核心亮点是：在极少量数据（1%）下仍能取得接近全数据（95%）的优异结果，在绝大多数任务上都超越了基于ImageNet-1K初始化的模型。
创新思想：梯度积累训练策略
UMedPT 采用了一种梯度积累的训练方式：
- 累积梯度：模型在连续多个小批量数据上执行前向/反向传播，计算梯度但不立即更新权重，而是将梯度累加。
- 统一更新：累积预定次数（如4次）后，使用总梯度一次性更新模型权重，清空梯度并开始下一轮。
这样做的优势在于：多任务模型参数量大，同时计算多个任务的损失和梯度对显存要求极高，直接大批量训练不现实。梯度积累允许以等效的大批量方式更新权重，既减少了更新噪声，也支持使用更大的学习率，训练更稳定、收敛更好。
模型架构
UMedPT 通过共享编码器从图像中提取特征，具体包含：
a. 共享编码器：提取通用特征；
b. 分类头：对线性张量进行 dropout、ReLU 激活、线性层分类，输出概率；
c. 分割头：利用编码器的跳跃连接进行特征拼接融合，通过 1×1 卷积和 softmax 为每个像素生成类别概率；
d. 检测头：输入多尺度特征，使用 FCOS 无锚框检测头，3×3 卷积分别处理框回归和框分类，并通过后处理模块输出结果。
FCOS 将检测任务重新定义为逐像素预测，避免锚框的复杂设计，类似语义分割的思路，每个空间位置直接预测类别和边界框。
二、生存回归的建模方法：从生存叠加到常见陷阱
生存分析在医学预后研究中至关重要。论文 A review of survival stacking: a method to cast survival regression analysis as a classification problem 提出了生存叠加（Survival Stacking） 方法，将生存回归重构为二分类问题，从而复用成熟分类工具。
生存叠加的核心思想
将原始数据按事件时间拆分成多个风险集子任务，每个子任务中个体被标记为“在此时刻是否发生事件”。例如对于三个观测个体（两个协变量，t1、t3为事件时间，t2为删失），构造如下二分类数据集：
在 t1 时刻，所有仍处于风险的个体构成风险集1，个体1的事件状态为1，其余为0；
在 t3 时刻，个体2已删失、个体1已经发病，因此风险集3仅包含个体3，以此类推；
将所有子数据集纵向堆叠，得到一个新的“扩展数据集”，即可用任意分类模型建模。
优势：支持线性和非线性模型，天然处理时变协变量和截断，并能建模时变效应。
其他生存回归模型回顾
Cox比例风险模型：非参数基准风险，通过部分似然估计协变量效应，基准风险由Breslow估计得到；
加速失效时间模型（AFT）：参数化基准，协变量线性地影响时间尺度；
Aalen可加风险模型：半参数，对累积风险函数进行最小二乘估计；
灵活参数/样条模型：用样条基函数逼近未知风险函数，平衡灵活性与可解释性。
注册数据生存分析的常见陷阱
另一篇教程《Pitfalls in time-to-event analysis of registry data》总结了四种典型错误：
右删失处理不当：例如将死亡视为独立删失，会显著高估复发概率——正确考虑竞争风险后，5年复发概率从0.515降至0.316；
竞争风险：将竞争事件当作删失处理会导致事件分布被高估；
左截断：忽略左截断会高估生存函数，需要修改风险集；
重复事件：忽略正确删失会低估复发事件平均数量，而错误处理竞争风险则会导致高估。
在生存分析可视化中，常使用 Kaplan-Meier生存曲线、累积风险函数图、累积发生率函数曲线、Schoenfeld残差图等来评价模型与假设。
