在医疗提供者和临床研究者中，生存预测起着核心作用。准确的风险分层能够实现早期干预和改善患者管理。大多数现有的深度生存模型为所有患者学习一个共同的特征表示，这可能隐藏了患者子群体之间的重要差异。相较之下，混合专家（MoE）框架允许模型的不同部分专注于不同的患者模式，从而生成更个性化的表示。
因此，我们提出了一种增强混合专家的自适应深度聚类生存框架（AdaCSM），旨在建模异质性生存模式。我们引入了一种基于路由的专家机制，使得在参数化生存建模框架内能够实现条件专门化。该架构动态地将患者分配给专门的风险预测器，同时保留患者生存及亚型聚类的目标。
我们将我们的方法与多个真实世界的纵向临床队列中的最新生存和深度聚类模型进行了比较，涵盖多种疾病领域。所提出的方法在生存分析中显示出更好的预测性能，并提供了可解释的结果。
博主点评： 该研究通过引入混合专家机制，显著提升了生存预测模型的个性化能力和可解释性，为临床应用提供了新的思路。尤其是在处理具有异质性特征的患者群体时，AdaCSM展现出了优越的性能，值得进一步探索与应用。