跳转至

Precision generalized phase I-II designs

作者: Saijun Zhao, Peter F Thall, Ying Yuan, Juhee Lee, Pavlos Msaouel et al.
来源: Biometrics
主题: 其他
相关性: 3/10
机构绿灯: Purdue University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomtc/ujaf043

一、领域脉络与小综述

这个方向是什么

这个方向解决的根本问题：在剂量优化（phase I–II）临床试验中，如何在存在患者异质性（由生物标志物、疾病亚型或预后分级定义的子群）的情况下，基于短期终点（疗效、毒性）和长期终点（治疗失败时间），为每个子群找到最优剂量。 当前成熟度：介于方法论成熟与临床应用扩展之间——已有的GEN I–II类设计已建立贝叶斯决策框架，但(根据本文作者所述)它们大多假定患者总体同质(pool across subgroups)，忽略了异质性带来的"一个剂量不适于所有子群"问题。

发展脉络（从introduction + 参考文献构建）

奠基工作：

  • Thall et al. (2014) "GEN I–II" (Gen I-II 设计，亦常被引为Thall et al. 2013–2014系列)：将phase I 毒性 + phase II 疗效联合决策，引入贝叶序贯决策（utility-based dose selection，基于早期疗效与毒性的事后概率），奠定了"用一个贝叶斯框架同时处理两个短期终点并做剂量分配"的基线。它不涉及长期终点。

  • Lee et al. (2016) "Long-term failure time"：将长期治疗失败时间（TTF）纳入GEN I–II框架，延伸了决策窗口。但以上两个核心奠基工作(Thall et al. 2014, Lee et al. 2016)均默认患者来自同一个总体，不区分子群。

主要进展 / 异质性处理的引入：

  • Lin et al. (2017, 2019)：分别提出了基于子群和时间变化效应的贝叶斯剂量优化设计，将异质性视为"已知子群标签 + 独立建模"；但本文作者指出这些工作仍假定子群效应是事先完全分开的（"assume that the subgroups are fully independent, with no borrowing between them"），在子群多、样本少时过拟合。

  • Zhao et al. (2022, Biometrics)：这篇是本文最直接的先驱（Zhao et al. 是他们自己的前期工作）。它提出了"POWERS"设计——用层列指数(phase I–II–III)并包含子群异质性；但它要求所有子群在入组前就已划分好且不聚类，并在每个子群内独立运行决策（"it runs a separate decision-making process in each subgroup"），信息借用（borrowing）程度为0。

当前frontier → 本文的位置：

  • 本文的工作：在上述路线中填补"借力但不完全混合"的缺口——通过潜变量将子群自适应聚类，使得相似子群可以共享剂量-结局信息，而不相似的子群保持独立。这是对"完全独立"（Zhao et al. 2022）与"完全合并"（Thall et al. 2014式总体分析）的折中。同时引入了长期TTF + 短期疗效毒性 + 子群特异性的三元整合，把Lee et al. (2016)的长期终点扩展到了异质环境。

子线索聚类

这些被引文献大致落在2条子线索上：

  1. 贝叶斯phase I–II联合决策（无异质性 or 已知子群但独立建模）：Thall et al. (2014), Lee et al. (2016), Lin et al. (2017/2019) → 关注如何用一个贝叶非参数/参数模型同时刻画短期疗效和毒性、并定义效用或决策准则。异质性要么忽略，要么在事后按已知子群做分离分析。

  2. 贝叶斯phase I–II设计 + 子群异质性（信息借用）：本文(PGen I–II)及Zhao et al. (2022) → 明确承认患者异质性，但信息借用的策略不同（本文用的是潜变量聚类 + 事后概率引导的聚合，Zhao et al.是独立子群不做借用）。另有少量近期工作尝试"随机效应层次模型"借用（如Thall et al. 2021的subgroup-specific dose-finding via hierarchical Bayesian），但本文的引言把这个方向定得比较窄，主要与自己的Zhao et al.作对比。

这个方向在追问的核心问题

  • Q1：长期治疗失败时间（TTF）能否在实际试验的时间尺度内（入组+短随访）作为剂量选择的依据？怎么解决"决策时患者还没TTF数据"的问题？（本文的答案：先利用前100天的短期数据做临时决策，待随访完整后再做最终选择）

  • Q2：在子群数量多（如6个亚组）+ 每个子群样本少的现实下，如何避免过度参数化？信息借用的强度应该如何控制？（本文的答案：潜变量自适应聚类，聚类由事后概率驱动，且聚类在MCMC内更新）

  • Q3：如何在同时考虑三个终点（早期疗效、早期毒性、长期TTF）的情况下定义"可接受"和"最优"？（本文定义了一套递进规则：先筛除毒性太高的剂量，再随机化到可接受剂量，最终通过长期成功概率选最佳）

⚠️ 作者的framing

  • 作者的缺口framing："现有方法要么忽略异质性(Gen I–II, Lee et al. 2016)，要么虽然在子群内独立但不做信息借用(POWERS / Zhao et al. 2022)。本文自然填补了中间地带——adaptive clustering across subgroups for better borrowing." 这是作者预设的冲突：完全独立 vs. 完全混合 → 本文的潜变量折中。

  • 竞争路线被淡化/回避：层次贝叶斯（hierarchical Bayesian subgroup effects）在剂量优化领域的应用几乎没有被讨论。例如用一个简单的随机效应N(μ, τ²)在每个子群建模，通过后验收缩实现借用——这种思路在个性化医学(Bayesian dynamic borrowing)里很常见，但在本文的引言中没有被直接作为竞争对手提及。这可能是因为层次模型收敛慢、在剂量优化这种需要实时决策的场景仿真困难。值得研究者去查：层次贝叶斯（non-exchangeable smoothing / hierarchical Dirichlet process）在phase I–II剂量优化中有没有相关工作？ 如Berry et al.或Thall的团队自己有没有这样的扩展？

  • 明显该被引/该存在、却没出现在intro里：作者没有引用任何非贝叶斯的方法论（如基于最优区间设计/BOIN的扩展来做子群识别），也没有引用高维/基因组学中治疗-协变量交互检测（如SIDES，virtual twins）——这些可能被视为phase II单独优化而非phase I–II联合的，但这种取舍值得研究者主动确认。此外，基于bandit的剂量优化（上下文bandit / Thompson sampling with patient covariates） 在个性化剂量选择领域近年有显著发展（如Kleinberg et al., 2019, AISTATS; Greenewald et al., 2017），但与贝叶斯phase I–II设计的衔接可能不直接。用户可自己判断这些缺失是否存在信息性。

  • 张力：未见明显对立引用——被引工作主要在"同一团队的不同扩展"上，子线2的Zhao et al. 2022是本文作者自己的前期工作。这一方面说明掌控力强，一方面也意味着外部验证有限。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号（按本文）：

  • D = 候选剂量水平（离散，如D = {1, 2, ..., m}）
  • S = 子群数量（如S=6，患者被分成多个子群，子群号Z∈{1,...,S}）
  • Y_E(0/1) = 早期疗效（binary，在某个评估窗口内观察到有效=1，无效=0）
  • Y_T(0/1) = 早期毒性（binary，发生限制剂量毒性=1，无=0）
  • T = 治疗失败时间（time to treatment failure，通常以月/日为单位的非负连续量，可右删失，DTC等事件为censoring）
  • N = 总入组患者数
  • n_z = 子群z的患者数
  • θ = 参数向量（具体结构在下面模型描述）
  • μ_z(d) = 在子群z接受剂量d条件下的长期成功概率（即"治疗方案成功"的概率，定义为TTF >某个临界时间（如365天）且无早期失败）
  • π_z(d) = 在子群z接受剂量d条件下短期毒性概率
  • ρ_z(d) = 在子群z接受剂量d条件下短期疗效概率

可观测数据（研究者实际观测到的）：

对于每个患者i，我们观测到： - 子群标识Z_i ∈ {1,...,S} - 分配剂量D_i ∈ D - 二元短期终点：(Y_Ei, Y_Ti) ∈ {0,1}² - 长期随访变量：要么观测到确切的治疗失败时间T_i（若在随访期内发生），要么观测到删失时间C_i（患者最后一次随访时间且未发生治疗失败），且已知T_i ≥ C_i - 延期入组（staggered entry）：不同病人在不同日历时间入组，所以有些患者的随访期短、TTF censored，有些的长。这是一个数据缺失的变种，不是随机缺失，因为"未观测到长期成功"部分是由患者入组顺序决定的。

另外有一个辅助窗口期（如入组后100天）：早期所有患者都有完事后的Y_E和Y_T数据，但只有那些在100天前入组的才可能有≥100天的TTF记录。这是决策时序的关键。

模型（作者假设的数据生成机制）：

分段指数(TTF)模型（piecewise exponential failure time）：

把时间轴切成K段（如30天、90天、180天、365天以上），在每段内，治疗失败的风险率h(t)是常数。对每个段k、每个子群z、每个剂量d，有一个基线失败风险λ_{z,d,k}。此外，短期疗效Y_E会加速或延缓失败风险——模型引入一个乘性的"反应效应"β_{z,k}（如果患者取得早期疗效，则失败风险乘以exp(β_k)）。具体形式（略去部分指示变量符号）是：

对于子群z、剂量d、疗效y_E（0或1）、段k，风险率为：λ_{z,d,k} * exp(β_{z,k} * I(y_E=1))

短期终端的贝叶斯模型（两个独立的logistic-like模型）：

π_z(d) = P(Y_T=1 | Z=z, D=d) 与 ρ_z(d) = P(Y_E=1 | Z=z, D=d) 各自用一个logistic模型（或更简单的exponential-linear parametrization，但实际的spread函数采用beta先验 + 普通线性模型套在logit上）。这些模型在亚组之间是独立的，但通过潜变量聚类建立借用。

潜变量自适应聚类模型（核心技术技巧，最小内核将重点讲）：

引入潜在分配变量L_z ∈ {1,...,C}，表示子群z属于哪个簇（簇数量C也可以被视为固定的最大簇数，或通过DP先验自动确定；本文是固定C ← 具体见论文Methods节）。簇内的所有子群共享同一个剂量-结局效应参数向量（如：簇c的logistic回归系数和分段的基线风险完全一致）。决策依赖于事后概率P(L_z = L_{z'})——如果高，则认为z和z'属于同簇，借力。

这样，模型可被理解为：先不知道哪些子群像，允许数据告诉你哪些子群可以合并分析。

第二步：讲最小内核

最简特例（答案可据本文特化）：

考虑S=2个子群，都是"已知但不确定性大"的疾病亚型（如肾透明细胞癌 vs. 乳头状肾细胞癌）。D=3个剂量水平（level 1, 2, 3）。忽略早期疗效和毒性，聚焦单一长期终点TTF ——假设TTF在完全已知的某个时间点t（如180天）被截断为二元成功指示F = I(T ≤ t)，经典假设下，这是一个二元失败事件，其概率p_z(d) = P(F=1 | Z=z, D=d)就是目标强度。

那么——可观测数据就简化到：患者i，我们观测到Z_i, D_i, 以及F_i（或删失，但此处假设所有患者在t*前都有随访，简化删失）——这是最简单的数据形态。

最小内核问题：在样本量"每子群每剂量约n_z_d ≈ 10"的条件下（实际上模拟中每剂量约5~10），直接用独立估计p_z(d)几乎被过拟合，方差大。参量是p_z(d)的logit模型系数β_{z, d}。常规做法是设一个对子群共享beta系数的模型β_{1, d}=β_{2, d}（完全合并）；或是做两个完全独立的模型β_{1, d}≠β_{2, d}。前者如果真实差别大，则biased；后者如果真实差别小，则variance雄厚。

本文的核心想法：构造潜变量L ∈ {0,1}标注"子群1和子群2是否属于同一个簇"（即L=1表示共享模型β_{1,d}=β_{2,d}, L=0表示独立模型）。L的先验设定为P(L=1) = 0.5（不偏向任何形态）。对于给定的L值，似然很清楚（两个子群数据的joint likelihood）。于是后验P(L=1|data)可通过MCMC轻易得到——如果后验>0.9，说明数据强烈支持"1和2相同"（共享参数）；如果<0.1，说明数据强烈支持独立；如果居中，则MCMC自动在两种结构之间加权平均，预测时也做model averaging。

这种方法不需要事先决定"子群是否等同"，而是让数据通过潜变量自己选择（或加权平均）。且一旦有第三个子群加入，聚类可以迭代——子群1和2可能被聚为一类、而3独立，从而在低样本条件下借用力量。

这就是最小内核：一个关于BINOMIAL概率的潜在cluster model，用潜变量决定两组是否共享参数，其扩展只在于1)把二元推广到分段指数(TTF)；2)把聚类数量从2推广到未知（固定最大簇数C）；3)叠加早期疗效和毒性作为额外协变量。

三、这篇论文做了什么

三句话

① 研究了在患者异质性(多子群)条件下，如何基于短期疗效、短期毒性和长期治疗失败时间(TTF)三个终点，在每个子群内实现贝叶斯剂量优化的设计问题。 ② 核心工具是 潜变量引导的子群自适应聚类（将相似子群的剂量-结局模型合并，不相似子群保持独立）+ 分段指数模型（拟合TTF）+ 序贯决策规则（依次剔除毒性/无效剂量 → 随机化分配 → 长期随访后选择最优剂量）。 ③ 主要结论是通过模拟（与忽略异质性的PGen I-II同质版及独立亚组版对比）显示，PGen I-II 在正确子群(CCR)(指最优剂量被正确识别)和错误子群(ICC)错误率上都有优势，尤其是在子群间效应差异大时优势明显。

关键设定与假设（在最小记号基础上补全）

在第二节最小记号(S=2, D=3, 仅考虑TTF二元版 kernel)基础上，本文完整设定：

[A1] 子群外生且已知：Z_i 在入组时即已知（由已注册的疾病亚型/生物标志物确定）。这个假设强于"事后测量但可测量"——假设被医生利用来分配剂量。

[A2] 决策时间线：整个试验时间线分为两个阶段——入组阶段（所有N个患者入组）→ 短期观察窗（约100天，每个人完成Y_E, Y_T观测）→ 长期随访窗（继续随访至最长时间T_max或事件发生）。设计在三个阶段内运行多次实效决策：

  • D1(入组期间)：根据现有（包含短期数据+部分长期随访中数据）的后验，为当前候诊的、属于子群z的患者分配一个可接受剂量。这时，同一个子群内的新患者可能在可接受剂量之间做随机分配（这样做是为了积累长期数据）。
  • D2 (入组结束后)：用完全数据（全部长期随访数据）做最终决策：在每个子群内选中"最优剂量"（定义为长期成功后验概率最高的可接受剂量）。

[A3] 连续监测的假设：每入组10或20个患者后做一次后验更新与决策（"interim looks"），且设计必须在MCMC收敛（设为1000–2000个 posterior draws）的时间尺度内可行。

[A4] 早期结果与TTF的独立性假设：给定(Z, D, Y_E, Y_T)，TTF的风险率由分段指数模型刻画，具体假设一是"给定剂量和子群，Y_E只作为一个乘性风险因子(log-linear effect)在TTF上发挥作用"——这意味着Y_T(毒性)对TTF没有直接效应，or 模型不显式包含毒性>TTF。作者在Methods里有表指出毒性对TTF未建模（只有疗效 = Y_E作为时间依赖协变量），这是个明确但合理的简化。

[A5] 删失机制：假设删失是非信息性的（independent censoring）——即患者失去随访与治疗结局无关。

与已有文献的比较（基于引言自身陈述）： - 比Gen I-II (Thall et al. 2014)多：异质性处理 + 长期TTF + 子群特异性决策 - 比Lee et al. (2016)多：异质性处理；Lee et al.是总体（单群）TTF模型 - 比Zhao et al. (2022 "POWERS")多：自适应聚类（借力）vs. 独立子群 - 相对放弃：不严格维护家族-wise错误率或选择偏见（这是贝叶斯方法的常见取舍）

主要结果（理论型——实际上是方法+模拟结果，强调结果而非定理）

本文没有一个正式的定理或收敛证明——它是一篇方法学应用论文，核心实证结果来自两个模拟场景（宽场景和窄场景）。

场景A (宽场景/有限异质，true cluster数量=2)：有6个子群，真实数据生成来自两个"父模型"(2 clusters, 分别有3个子群) → 最佳剂量在一个簇内相同、簇间不同。

场景B (窄场景/高度异质，true cluster数量=6=子群数)：6个子群，各有一个不同的最优剂量（假定了真实参数不同，数据生成不与聚类一致）。

比较的设计（三个竞争对手）： - PGen I-II（完全版）：本文的设计 - PGen I-II（独立子群版）：无聚类，S=6个独立模型 - PGen I-II（合并版）：假设所有子群同质，只有一个模型

核心量化结果（来自Table 1, Table 2）：

  • 正确选择比率 (CCR, Correct Classification Rate): 在场景A下，PGen I-II完全版的CCR(约78%-85%) 显著优于独立版(65%-70%)和合并版(55%-65%)。在场景B下，CCR差不多：所有版本在高度异质性下性能类似（~60-65%），但独立版略高（因为聚类无法抓住6个簇）。
  • 错误率 (ICC): PGen完全版在场景A下被错误地分配"低劣剂量"(type I-like)的比率最低。
  • 早期/长期最优剂量选择的迭代表现：表格还报出了"首次中间分析"的剂量分配正确率，完全版在较早识别正确剂量方面优于对手（因为它结合了跨子群信息）。

一图（由Figure 1-5展示）：后验聚类的演化——在场景A下，随着数据增加，P(L_z = L_{z'})向1或0收敛（正确），显示了潜变量聚类的疗效。

证明路线与技术技巧

不是理论型论文：证明路线不能用"假设→引理→定理"描述，但技术路线可写为：

整体路线（3-5步逻辑主干）： 1. 模型先验构建：在MCMC启动前，定义分段指数TTF模型（参数为基线的各段log-rate λ_{c,k}，和早期疗效的乘数β_c）、短期终端的logistic模型参数α_c 和 γ_c（分别对应于Y_T和Y_E）。所有参数对不同的cluster c独立先验（如Gamma / Normal / Uniform）。 2. 潜变量分配：对每个子群z，引入潜变量L_z ∈ {1,...,C}（C=最大簇数，文中取C=6或8等），先验为均匀或Dirichlet-like(便于模型自动推断cluster数⇔可选jumping)。通过MCMC在每个迭代簇内可以移动L_z（Metropolis-Hastings step）。 3. Posterior sampling： - 固定L_z分配 → 按簇合并数据 → 用吉布斯采样（片状切片抽样）更新各簇内的λ, β, α, γ - 对L_z做MH step，判断子群z"迁入其他簇"是否提高后验——这一步计算了似然的差别 4. MCMC完成后→ 获得每个剂量d在每个子群z上关于最优长时间成功概率的后验分布（如365天无治疗失败概率）。决策规则基于这些后验。 5. 决策规则循环：在每次中期分析时： - (a) 剔除毒性概率π_z(d)超过某个阈值的剂量（例如，P(π_z(d) > 0.3) > 0.95） - (b) 在剩余可接受剂量中，筛选疗效ρ_z(d)太低者（例如 P(ρ_z(d) < 0.15) > 0.90 则剔除） - (c) 若多于一个可接受剂☐量：把当前候诊患者随机分配到可接受剂量（累计入组，非自适应——但随机化权重在中期更新后随意）。 - 入组结束后：在最后一个分析站，选长期成功概率后验均值最高的剂量作为最佳。

关键跳跃点 / 技术难点：

  • 难点1：模型的参数维度随子群数量S和簇数C上升。但独立性和聚类结构使参数布局为“每个簇一个模型”，从而控制住了维度——聚类使得在少数簇中获得更多的样本估计每段的基线风险。
  • 难点2：MCMC里更新L_z时不改变参数维度——解决方案是：只对L_z做一步的reassignments，并利用簇参数的current状态计算出接受概率（类似参数扩展的MCMC）。不过，文中对此只在supplement给出了简单的Metropolis迭代细节，未做收敛诊断。
  • 技术技巧点名：
  • 分段指数模型（piecewise exponential）：通过在一个小集合(K=4~6分段)内假定常数风险，把连续性TTF转化为稀疏分段常数模型，使得MCMC稳定（不需要容纳未知连续函数）。
  • 潜变量聚类（latent cluster assignment） + Metropolis-Hastings（在L_z上做状态移动）。
  • 事后概率（posterior probability）阈值决策：固定阈值（如0.9, 0.95）——这是贝叶斯剂量优化的标准做法。

真实例子与应用

本文有真实数据例子。作者引用了模拟参数设定近似于他们自己在靶向治疗晚期肾细胞癌（RCC）的真实临床试验。具体来说：

  • 数据/场景：复刻了MD Anderson的POWERS试验（Zhao et al., 2022），用的是6个RCC的组织学亚型或突变类型（如ccRCC, pRCC, chRCC等），加上3个剂量水平的靶向药物。TTF的时间分布（中位约5-9个月）是根据前期试验的生存曲线构造的。
  • 如何运用方法：把PGen I-II设计运用于模拟生成的该试验样本人群（240人，均匀分配到6组，每组40人）。然后跑一遍设计算法的全流程（序贯更新+最终决策），并将性能与独立版/合并版对比。
  • 得到什么结果：如前所述，在有不同亚型的最佳剂量差异明显时，PGen I-II的CCR优于独立版(~80% vs. 65%)。值得注意的是：在模拟中，作者有一个设计对真实参数施加了中等程度的簇内相似性（ccRCC和pRCC共享一个模型，其他四个亚组各有两个较小的模型），这个方法在模拟中恢复了这个结构（后验聚类后，ccRCC和pRCC的P(L同簇)约为0.8-0.9；其他组在0.1-0.3之间）。
  • 这个例子想说明什么：验证了在贝叶斯剂量优化场景下，潜变量自适应聚类能够：
  • (a) 在样本量小的时候借用信息、提高对最优剂量的识别准确率；
  • (b) 自动找到未知的亚组同质性模式（不需要用户指明哪些亚组类似）；
  • (c) 在亚组完全不同的情况下不强行硬聚类（场景B的模拟结果接近独立版）。

🔎 结论是否比证明窄

是。 存在以下claim的gap：

  • 文章结论说"PGen I–II is superior to similarly structured designs," 但仅在有限模拟条件下（特定的样本量240人、每子群40人、6个亚组、固定分段数K=5、先验设定如固定β ~ N(0,0.5)等——这些都是严格条件。没有理论保证在大样本下或任意真实的异质性结构下，潜变量聚类能一致地恢复簇结构（一致性问题被忽略）。模拟也没有覆盖子群数量>10、每个子群<20个患者的"极端薄"场景，也没有覆盖非比例风险（如TTF交叉风险）。
  • 文章的早期/长期一步决策中有关"100天窗口的确定"——他们假设100天内短期数据可用，但100天不加论证（仅在此参考文献中隶属临床约定），若换一种疾病（如进展更快或更慢）可能完全不同。
  • 论文声称"latent variable adaptive clustering borrows strength"——这个借力确实体现在后验的收缩，但后验收缩的偏差-方差权衡的量化分析从未提供。在存在大幅异质性时，后验收缩会偏向于不分群、导致偏差——因为模型会"硬连接"不相同的子群。作者在场景B顺便看了一下，汇报了"来自合并版的bad behavior"，但没有详细分解什么时候偏差占主导、方差占主导。

四、开放问题

  1. 聚类一致性：在什么条件下（子群间真实效应差距多大、样本量多少）潜变量聚类能够一致估计正确的簇划分？对于有限C的设定，当真实簇数量大于C时会发生什么现象？这些问题本文完全没有讨论（汤森定理性质），但可用于实证研究。（扎根：论文methods的"Number of clusters C was prespecified"一段未提及一致性问题。）

  2. 决策规则对删失的敏感性、以及入组节奏的异质性：决策规则中剔除毒性/无效剂量用的阈值(0.9/0.95)是任意固定的。对有选择偏见的早期决策（例如在100天时作的剂量分配，会受到有长TTF数据的患者更多的"权重"的影响吗？）本文没有做考虑删失方式对决策Robustness的敏感性分析。（扎根：论文未讨论右删失对后验聚类的扭曲；regular monitoring schedule假设对所有子群相同。）

  3. 计算成本：MCMC每10个患者跑一次，对于大S(如20个子群) + C(10个簇)的情况，时间成本在metropolis-Hastings步骤会变高。论文仅说自己用免费R软件，但没有计算时如何控制收敛与采样效率。这个问题可直接用用户已有的高维/einsum经验来探讨加速方案。（扎根：论文的"User-friendly computer software"一节只提供描述，未提供真实运行时间。）

  4. 未见对亚组特异先验共轭性的分析：如果先验信息（如从前期试验）在几个特定子群中可用，如何自然地集成到聚类框架中？如果前期信息只存在于少数目子群，聚类会在贝叶斯框架下自动"借用"到无信息的子群。这是利是弊？（扎根：论文没有考虑informative先验对聚类的影响。）

注：要确认这些是不是真 gap，去读同子领域近期约5篇的（1）Lin et al. 2017/2019的簇扩展；（2）Thall et al. 2021 hierarchical Bayesian subgroup design；（3）Guo & Li (2021) 基于BART的异质性phI-II设计。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论