SurvBridge：异构临床队列间的生存表征迁移

基于摘要分析。该研究针对临床队列在可用变量、观测过程和随访方面的差异，提出 SurvBridge，将从大规模电子健康记录（EHR）中学习的生存表征迁移至具有不同特征模式的目标队列。其主要贡献是允许多个来源在不共享完全相同特征空间的情况下参与预训练，并兼容有、无事件发生时间标签的数据。 方法结合特征语义编码、生存感知的多源对比预训练、缺失状态的显式表征，以及基于 Cox 的生存任务适配；迁移时适配目标队列自身的临床特征模式。摘要未披露语义编码实现、对比损失形式、无标签数据的具体利用方式或适配阶段的参数更新范围。 作者报告，在三个公开临床生存数据集和两个独立心血管队列上，相较经典生存模型、深度生存模型和表格基础模型基线，SurvBridge 表现出较强的生存判别能力。作者报告，预训练收益在目标队列标注数据稀缺时最大，且 SurvVPCL 相比所评估的其他生存感知对比目标具有更一致的低资源迁移表现。在自然存在缺失值的临床数据上，作者报告，显式表示缺失状态较确定性缺失值处理提高了平均判别能力，并改变了部分观测临床变量对预测风险的贡献。 这些结果支持作者将该方法主要定位为提升跨队列生存学习的样本效率，而非仅依靠统一特征表进行迁移。摘要未提供具体数据集名称、样本规模、划分方式、判别指标及数值；实验协议、消融及统计信息尚未验证。研究对象是临床表格数据的生存预测，现有材料不支持将其结果视为 EEG 或 BCI 迁移有效性的证据。