CACSurv: Concordance-Aligned Comparative Learning with Large Language Models for Cancer Survival Prediction

📄 arXiv: 2608.16594v1 📥 PDF

作者: Tianqi Xiang, Qixiang Zhang, Xinpeng Ding, Yi Li, Xiaomeng Li

分类: cs.AI

发布日期: 2026-08-17

🔗 代码/项目: GITHUB

💡 一句话要点

提出CACSurv以解决癌症生存预测中的不匹配问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 癌症生存预测 大语言模型 相对排序 小组比较推理 TCGA数据集 生存模型 临床决策支持

📋 核心要点

  1. 现有的癌症生存预测方法未能充分利用患者报告，导致信息利用不足。
  2. CACSurv通过将生存建模重新构建为小组比较推理，利用大语言模型进行相对预后排序的预测。
  3. CACSurv在六个TCGA癌症队列中取得了最高的C-index，提升幅度显著，展示了其有效性。

📝 摘要（中文）

癌症生存预测支持治疗规划、风险分层和随访管理。现有方法主要依赖结构化临床变量、全切片图像和基因组特征，而患者报告的利用尚未充分探索。本文研究了基于报告的生存预测，提出CACSurv框架，通过大语言模型进行相对预后排序的预测，解决了生存评估中的配对不一致和监督不匹配问题。CACSurv在六个TCGA癌症队列中实现了最高的C-index，平均C-index为0.722，超越了最强的已发布生存模型和时间回归基线。

🔬 方法详解

问题定义：本文旨在解决癌症生存预测中存在的配对不一致和监督不匹配问题。现有方法在处理被审查患者的生存时间时，未能有效利用其相对排序信息。

核心思路：CACSurv框架通过引入相对预后排序的概念，利用大语言模型进行小组比较推理，克服了传统方法的不足。这样设计的目的是为了更好地利用患者报告中的信息。

技术框架：CACSurv的整体架构包括数据输入、模型训练和推理三个主要阶段。首先，利用患者报告进行数据预处理；其次，训练大语言模型以进行相对排序预测；最后，通过蒙特卡洛参考聚合进行推理，生成队列级别的排名。

关键创新：CACSurv的核心创新在于引入了基于相对关系的配对一致性奖励，使得被审查结果能够提供排名监督，而不需要精确的事件时间目标。这一方法与传统的时间回归模型有本质区别。

关键设计：在模型训练中，采用了基于相对排序的损失函数，并设计了适应性参数设置，以优化模型的预测能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CACSurv在六个TCGA癌症队列中实现了最高的C-index，平均C-index为0.722，超越了最强的已发布生存模型6.5个百分点，以及最强的时间回归基线4.2个百分点，显示出其优越的性能。

🎯 应用场景

CACSurv的研究成果在癌症生存预测领域具有重要的应用潜力，能够为临床决策提供更为精准的支持。通过有效利用患者报告，未来可能在个性化治疗和风险评估中发挥更大作用，推动精准医学的发展。

📄 摘要（原文）

Cancer survival prediction supports treatment planning, risk stratification, and follow-up management. Existing methods use structured clinical variables, whole-slide images, genomic profiles, or multimodal inputs, while patient reports remain underexplored. We study report-centric survival prediction using reports that organize pathological, clinical, and molecular evidence. Large language models (LLMs) can reason over such reports, but case-wise time regression introduces two mismatches. First, a formulation mismatch arises because survival evaluation depends on ordering comparable patients, whereas independent time predictions do not enforce ranking consistency. Second, a supervision mismatch arises because a censored patient's observed time indicates survival beyond that point and cannot serve as an exact regression target, although it still implies orderings relative to patients who died earlier. To address these mismatches, we propose CACSurv, a Concordance-Aligned Comparative framework for report-centric survival prediction. CACSurv reformulates survival modeling as mini-cohort comparative reasoning, where an LLM predicts relative prognostic orderings. We introduce concordance-aligned rewards derived from comparable relations under right censoring, enabling censored outcomes to provide ranking supervision without exact event-time targets. At inference, Monte Carlo Reference Aggregation compares each patient with sampled references and aggregates positions into a cohort-level ranking. We establish TCGA-SurvReport, a benchmark covering six TCGA cancer cohorts. CACSurv achieves the highest C-index on all six cohorts and an average C-index of 0.722, outperforming the strongest published survival model by 6.5 percentage points and the strongest LLM time-regression baseline by 4.2 percentage points. Our code, models, and dataset will be available at https://github.com/xmed-lab/CACSurv.