A Bayesian Approach to Causal Cure Models¶

作者: Emma Torrini, Ma\"ilis Amico, Nicolas Molinari, Cl\'ement Berenfeld
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2607.19050

一、领域脉络与小综述¶

这个方向是什么¶

本文所处的子方向是因果推断与生存分析中治愈模型（cure models）的交叉。根本的科学问题是：在时间-事件数据中，当一部分个体永远不会经历失效事件（即被“治愈”）时，如何定义、识别和估计治疗对这些个体的因果效应？传统混合治愈模型（mixture cure model）可以估计治愈比例和未治愈亚组的生存函数，但无法直接给出因果解释——因为治愈状态是治疗后变量，直接比较不同治疗下的未治愈亚组会引入选择偏倚。因此，需要借助主分层（principal stratification）框架，将个体按潜在治愈状态分层，在层内定义因果 estimand。当前该子方向的成熟度较低：大多数治愈模型工作集中在非因果的估计和推断上，因果视角的工作直到最近几年才出现，且识别假设较强、方法选择有限。

发展脉络（history）¶

从奠基到当前 frontier 的线索如下：

奠基工作（1949–1952）：Boag (1949) 和 Berkson & Gage (1952) 提出混合治愈模型，将总体生存函数分解为治愈部分和未治愈部分的加权和。这是所有后续治愈模型的基础。
治愈模型综述与推广（2018）：Amico & Van Keilegom (2018) 对两类治愈模型（混合治愈模型和促进时间治愈模型）做了详尽综述，总结了大量参数、半参数和非参数方法，但明确指出“very few has been done when it comes to use cure models from a causal perspective”。
因果治愈模型的早期尝试（2017–2023）：Gao & Zheng (2017) 在存在不依从性的随机试验中考虑治愈分数，提出对 complier 亚组的治愈率和生存效应。Wang et al. (2023) 在观察性研究中用倾向得分分层估计治愈比例和总体生存的因果效应，但未处理“未治愈亚组不可比”的问题。
主分层框架引入治愈数据（2024）：Wang et al. (2024) 明确指出，直接比较不同治疗下的未治愈生存函数不是因果效应，因为未治愈集合本身受治疗影响。他们提出基于主分层的两个因果 estimand（always-uncured 层的时点风险差和平均生存时间差），并用混合治愈模型进行估计，识别依赖于一个“替代变量”（substitutional variable）假设。
贝叶斯主分层在生存数据中的近期发展（2024–2026）：Liu et al. (2024) 针对不依从性场景，提出贝叶斯参数 Weibull-Cox 混合模型，用 Stan 实现主分层分析。Ballerini et al. (2025) 和 Mattei et al. (2024) 处理治疗中断（treatment switching）问题，同样采用贝叶斯主分层。这些工作将主分层方法扩展到更复杂的生存数据场景。
本文的位置：Torrini et al. (2026) 在上述工作的基础上，专门针对治愈分数存在的情形，提出一个统一的贝叶斯模型框架。与 Wang et al. (2024) 相比，本文的模型不需要选择替代变量，且能自然纳入治愈状态的辅助信息（如出院即视为治愈）。与 Linero et al. (2026)（独立同时工作）相比，本文使用不同的模型和 estimand（后者侧重贝叶斯因果机器学习，分解 RMST 为治愈和延迟成分）。

子线索聚类¶

这些被引文献大致落在三条子线索上：

传统治愈模型的估计与推断（Boag 1949, Berkson & Gage 1952, Farewell 1982, Amico & Van Keilegom 2018）：关注如何从右删失数据中识别治愈比例和未治愈生存函数，不涉及因果解释。方法包括参数、半参数、非参数。
主分层框架下的因果推断（Frangakis & Rubin 2002, Imbens & Rubin 1997, Angrist et al. 1996）：提供处理治疗后变量的因果框架，定义基于潜在分层的 estimand。早期工作针对连续/二值终点，近年扩展到生存终点（Liu et al. 2024, Ballerini et al. 2025, Mattei et al. 2024）。
因果治愈模型（Gao & Zheng 2017, Wang et al. 2023, Wang et al. 2024, Linero et al. 2026, 本文）：将主分层与治愈模型结合，定义并估计治愈分数和未治愈亚组的因果效应。这一线索目前工作很少，且方法选择有限。

这个方向在追问的核心问题¶

问题1：如何定义“治愈”的因果效应？——治愈状态是治疗后变量，直接比较不同治疗下的治愈比例是因果的，但比较未治愈亚组的生存则不是，因为未治愈集合本身受治疗影响。
问题2：主分层 estimand 的识别需要哪些假设？——由于主分层是潜在的，识别通常需要单调性假设（排除某些层）和某种形式的“替代变量”或模型假设。
问题3：如何在实际数据中估计这些 estimand？——现有方法包括基于混合治愈模型的两步法（Wang et al. 2024）和贝叶斯模型方法（本文, Liu et al. 2024）。
问题4：能否放松强假设（如单调性、替代变量存在性）？——本文通过贝叶斯框架允许部分识别，并提供敏感性分析，但完全非参数识别仍困难。

⚠️ 作者的 framing¶

作者把缺口 frame 成：“现有因果治愈模型（Wang et al. 2024）依赖于替代变量假设，该假设在实践中难以验证和选择；本文提出一个贝叶斯模型，不需要替代变量，且能纳入辅助信息，更易实施。” 作者淡化了以下竞争路线： - Linero et al. (2026) 被提及为“独立工作，使用不同模型和不同 estimand”，但未详细比较优劣。 - 非参数或半参数频率学派方法（如基于 IPW 或 AIPW 的治愈因果效应）未被讨论——Voinot et al. (2025) 的综述主要针对无治愈分数的标准生存因果推断，但作者未说明为何不能推广到治愈情形。 - 什么明显该被引/该存在、却没出现在 intro 里？：没有引用任何关于“治愈分数存在时因果效应的半参数效率界”的工作——这可能是因为该方向尚无此类结果，但值得研究者去查。此外，没有引用关于“治愈模型中的竞争风险”或“多状态模型”的因果工作，尽管这些可能相关。

张力¶

未见明显对立引用。Wang et al. (2024) 和本文的方法在模拟中表现相似，但本文声称对替代变量假设更稳健。Linero et al. (2026) 是独立同时工作，目标 estimand 不同，不构成直接对立。

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： - \(Z_i \in \{0,1\}\)：治疗分配（1=试验治疗，0=对照）。 - \(X_i\)：预处理协变量向量。 - \(T_i\)：失效时间（连续，可取值 \(\infty\) 表示治愈）。 - \(C_i\)：删失时间。 - \(Y_i = T_i \wedge C_i\)：观测时间。 - \(\Delta_i = I\{T_i \le C_i\}\)：事件指示符（1=观察到失效，0=删失）。 - \(B_i = I\{T_i < \infty\}\)：未治愈指示符（1=未治愈，0=治愈）。注意 \(B_i\) 在删失时部分不可观测。 - \(T_i(z), B_i(z), C_i(z)\)：潜在结果，表示在治疗 \(z\) 下的失效时间、未治愈状态、删失时间。 - \(G_i = (B_i(1), B_i(0))\)：主分层，取值于 \(\mathcal{G} = \{CC, CU, UC, UU\}\)，分别对应 always-cured, protected, harmed, always-uncured。 - \(\pi_g(X_i) = P(G_i = g \mid X_i)\)：给定协变量的主分层概率。 - \(p^{(z)}(X_i) = P(B_i(z)=1 \mid X_i)\)：治疗 \(z\) 下的未治愈概率。 - \(S^{(z)}_g(t \mid X_i) = P(T_i(z) > t \mid X_i, G_i = g)\)：给定主分层和协变量的潜在生存函数。 - \(S^{(z)}_U(t \mid X_i) = P(T_i(z) > t \mid X_i, B_i(z)=1)\)：治疗 \(z\) 下未治愈亚组的生存函数。 - \(\bar{\pi}_g = E[\pi_g(X_i)]\)：边际主分层概率。 - \(\bar{\delta} = \bar{\pi}_{CU} - \bar{\pi}_{UC}\)：边际治愈率差异。 - \(\tau_K(t) = S^{(1)}_K(t) - S^{(0)}_K(t)\)：主层 \(K\) 的生存概率差异（PSCE）。 - \(\tau^{\text{RMST}}_K(t^*) = \int_0^{t^*} \tau_K(t) dt\)：主层 \(K\) 的限制平均生存时间差异（RMST）。

模型： - 数据生成机制：每个个体 \(i\) 独立地由某个联合分布生成 \((X_i, T_i(1), T_i(0), C_i(1), C_i(0))\)，然后根据实际治疗 \(Z_i\) 观测到 \((Y_i, \Delta_i)\)。 - 假设：SUTVA（无干扰、无不同版本）、可忽略性（给定 \(X_i\)，\(Z_i\) 与潜在结果独立）、正性、条件独立删失（给定 \(X_i, Z_i\)，\(C_i\) 与 \(T_i\) 独立）、删失正性。 - 主分层概率和生存函数通过参数模型（如 logistic 回归、piecewise exponential 模型）建模。

可观测数据：研究者实际观测到的是 \((Z_i, X_i, Y_i, \Delta_i)\)，有时还有辅助治愈指示符 \(D_i\)（对删失个体，\(D_i=1\) 表示已知治愈，如出院）。不可观测的是潜在结果 \(T_i(z), B_i(z), C_i(z)\) 以及主分层 \(G_i\)。治愈状态 \(B_i\) 在删失时也部分不可观测。

第二步：最小内核¶

最简特例：随机化试验（\(Z_i\) 完全随机，无协变量 \(X_i\)），且假设单调性：\(\pi_{UC}=0\)（即不存在“治疗导致治愈变差”的个体）。此时只有三个主分层：CC, CU, UU。进一步假设无删失（或删失机制独立且可忽略），且所有个体都被充分随访直到失效或治愈（即治愈状态可观测）。这个特例剥离了所有识别困难，但保留了核心因果结构。

在这个特例下： - 可观测数据简化为每个个体的 \((Z_i, T_i, B_i)\)，其中 \(B_i\) 完全已知（因为无删失）。 - 边际治愈概率 \(p^{(1)} = P(B_i(1)=1)\) 和 \(p^{(0)} = P(B_i(0)=1)\) 可直接从数据估计（随机化保证可识别）。 - 主分层概率：由单调性，\(\pi_{UU} = \min(p^{(1)}, p^{(0)})\)，\(\pi_{CU} = p^{(0)} - \pi_{UU}\)，\(\pi_{CC} = 1 - p^{(0)}\)。 - 因果 estimand：治愈率差异 \(\bar{\delta} = \pi_{CU}\)（因为 \(\pi_{UC}=0\)）。UU 层的生存效应 \(\tau_{UU}(t) = S^{(1)}_{UU}(t) - S^{(0)}_{UU}(t)\)，其中 \(S^{(z)}_{UU}(t) = P(T_i(z) > t \mid B_i(1)=1, B_i(0)=1)\)。由于主分层已知，可以直接在 UU 层内比较两种治疗下的生存。 - 核心思路：主分层将因果比较限制在“无论治疗如何都会未治愈”的亚群上，避免了因治愈状态受治疗影响而产生的选择偏倚。在这个特例下，识别是直接的，不需要任何额外假设（除了单调性）。本文的一般情形就是在这个内核上添加删失、协变量、放松单调性等复杂性，并通过贝叶斯似然分解将主分层参数与混合治愈模型参数连接起来。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：针对存在治愈分数的生存数据，提出基于主分层的因果 estimand（治愈率差异、always-uncured 层的生存效应、以及一个新的非 always-cured 并集层的生存效应），并给出贝叶斯模型估计方法。
核心工具/方法：贝叶斯模型，似然函数由混合治愈模型分解得到，直接连接主分层概率和生存函数；使用 piecewise exponential 模型建模潜在生存，用 Stan 进行 MCMC 采样。
主要结论：模拟显示该方法与 Wang et al. (2024) 性能相当，但对替代变量假设的违反更稳健，且不需要选择替代变量；在 NIVAS 真实数据中，NIV 相比标准氧疗对治愈率有微弱正效应（后验中位数 0.06），对 always-uncured 层的 RMST 增益为 1.20 天（91% 后验概率为正）。

关键设定与假设¶

在第二节最小记号基础上，补全完整设定：

假设 1–5（标准因果推断+生存分析假设）：SUTVA、可忽略性、正性、条件独立删失、删失正性。这些保证边际生存函数和治愈概率的可识别性（Proposition 1）。
假设 6（条件单调性）：\(\pi_{UU}(X_i) = \min(p^{(1)}(X_i), p^{(0)}(X_i))\) a.s.。这意味着对于每个个体，要么 \(\pi_{UC}=0\) 要么 \(\pi_{CU}=0\)。这是识别主分层概率的关键（Proposition 2）。本文在模拟中固定 \(\rho=1\)（即假设 6 成立），但在真实数据中允许放松（通过敏感性分析）。
假设 7.A（替代相关性）：存在协变量分解 \(X_i = (U_i, V_i)\)，使得 \(V_i\) 影响潜在治愈状态但不影响潜在生存时间（给定主分层和 \(U_i\)）。这是 Wang et al. (2024) 识别层特异性生存函数的核心假设。本文提出替代假设 7.B（Cox 模型+泛型条件），并指出贝叶斯框架下即使假设不满足，后验仍定义良好（部分识别）。
与已有文献的对比：相比 Wang et al. (2024)，本文不需要假设 7.A（替代变量存在性），而是通过贝叶斯模型直接估计，或通过假设 7.B（Cox 模型）实现识别。相比 Liu et al. (2024)，本文专门处理治愈分数，而非不依从性。

主要结果¶

定理 1：在假设 1,2,4 下，似然函数是两个混合治愈模型似然的乘积（每个治疗组一个）。这建立了可观测数据与主分层参数之间的直接联系。
命题 1–3：给出边际生存、治愈概率、主分层概率、层特异性生存函数的可识别性条件。命题 2 需要单调性假设 6；命题 3 需要假设 7.A 或 7.B。
模拟结果（图 1）：四个场景比较本文方法与 Wang et al. (2024)：
场景 1（基线，n=2000，所有假设成立）：两种方法性能相当。
场景 2（小样本 n=100）：本文方法变异性更低（贝叶斯正则化）。
场景 3（假设 7.A 违反）：本文方法偏差更小、更稳健；Wang 的方法出现明显偏差（因为依赖替代变量）。
场景 4（假设 6 违反）：两种方法均出现偏差，但本文可通过放松单调性进行敏感性分析。
真实数据应用（NIVAS）：
数据：293 名腹部手术后低氧性呼吸衰竭患者，随机分配 NIV（148）或标准氧疗（145），终点为首次再插管或死亡（30 天内）。
方法：使用多分类 logistic 回归建模主分层概率（以 CC 为参考），piecewise exponential 模型建模生存，纳入辅助治愈信息（出院视为治愈）。
结果：NIV 对治愈率的效应 \(\bar{\delta}=0.06\)（95% CrI: 0.01–0.13）；UU 层 RMST 差异 1.20 天（95% CrI: -0.64–3.02，91% 后验概率>0）；非 CC 并集层 RMST 差异 3.85 天（95% CrI: 1.14–7.29）。主分层概率：CC 0.52, CU 0.06, UU 0.42。UU 层患者更严重（IGS 评分高、PaO2/FiO2 低等）。
敏感性分析：放松单调性后，\(\bar{\delta}\) 和 \(\tau^{\text{RMST}}_{\neg CC}\) 减弱，但 UU 层效应稳健；纳入辅助信息缩小了可信区间。

证明路线与技术技巧¶

整体路线（以识别证明为例）： 1. 边际生存和治愈概率的识别（Proposition 1）：由可忽略性和条件独立删失，\(S^{(z)}(t \mid X_i) = P(T_i > t \mid X_i, Z_i=z)\)，后者可从观测数据估计。若 \(t^*\) 大于最大失效时间，则 \(S^{(z)}(t^* \mid X_i) = 1-p^{(z)}(X_i)\)，从而治愈概率可识别。 2. 主分层概率的识别（Proposition 2）：在单调性假设 6 下，\(\pi_{UU}(x) = \min(p^{(1)}(x), p^{(0)}(x))\)，然后 \(\pi_{UC}, \pi_{CU}, \pi_{CC}\) 由减法得到。 3. 层特异性生存函数的识别（Proposition 3）： - 在假设 7.A（替代相关性）下，利用两个不同 \(V\) 值对应的线性方程组解出 \(S^{(z)}_{UU}\) 和 \(S^{(z)}_{gz}\)。 - 在假设 7.B（Cox 模型）下，通过反证法：假设两组参数产生相同观测分布，利用支撑集差异或 Hessian 秩条件导出矛盾。

似然推导（Theorem 1 和 Proposition 4）： - 将观测数据的联合分布分解为治疗分配、协变量、删失机制和失效时间。在条件独立删失下，删失贡献正比于生存函数。然后利用 \(T_i = \infty\) 对应治愈，将似然写成混合治愈模型形式。 - 通过等式 (5)–(8) 将混合治愈模型参数（\(p^{(z)}, S^{(z)}_U\)）替换为主分层参数（\(\pi_g, S^{(z)}_g\)），得到因果治愈模型似然。 - 辅助信息 \(D_i\) 的引入：已知治愈的删失个体贡献纯治愈项 \(1-p^{(z)}\)，而非混合项。

技术技巧点名： - Piecewise exponential 模型：用于建模潜在生存函数，灵活且与 Cox 模型等价（当区间在观测失效时间处划分时）。本文使用三个固定区间（0-7, 7-14, 14-∞）。 - 贝叶斯框架与 Stan HMC：避免解析推导，通过 MCMC 采样后验。后验分布即使模型部分识别也定义良好。 - 边际化公式 (9)–(10)：将层特异性生存函数通过协变量分布积分得到边际量，在 MCMC 迭代中用经验平均近似。 - 多分类 logistic 回归建模主分层概率：直接约束概率在单纯形内，且不隐含单调性（与 Wang et al. 的参数化不同）。

🔎 结论是否比证明窄¶

作者在模拟中假设 \(\rho=1\)（即单调性成立）进行估计，但在真实数据中放松了单调性（通过敏感性分析）。然而，Proposition 2 的识别证明严格依赖于单调性假设 6。当单调性违反时，主分层概率不再可识别（除非有其他假设）。作者在模拟场景 4 中展示了两种方法在违反单调性时均有偏差，但未给出一般识别条件。因此，结论中声称“我们的方法不要求选择替代变量”是成立的，但“不要求单调性”则不完全——方法可以在贝叶斯框架下放松单调性（通过先验），但识别仍依赖模型假设。
作者在讨论中写道“future extensions include implementation of non-parametric methods”，但本文所有结果都基于参数模型（logistic + piecewise exponential）。非参数扩展的可行性未被证明。
作者在 Proposition 3 中给出了两个替代识别假设（7.A 或 7.B），但在模拟和真实数据中并未验证假设 7.B 是否满足。实际应用中，用户仍需选择一种识别策略。

四、开放问题¶

非参数扩展：作者在讨论中明确提到“future extensions include implementation of non-parametric methods”。具体要证什么？——在无参数模型假设下，主分层概率和层特异性生存函数是否可识别？需要哪些最小假设？这扎根于 Section 6 最后一句。
放松单调性假设的识别条件：当单调性假设 6 不成立时，主分层概率的识别需要什么额外条件？作者在模拟中展示了违反单调性时的偏差，但未给出一般识别理论。这扎根于 Proposition 2 的证明（依赖单调性）和模拟场景 4 的讨论。
半参数效率界：本文是贝叶斯方法，未讨论频率学派性质（如渐近正态性、效率界）。对于治愈因果效应（如 \(\bar{\delta}, \tau^{\text{RMST}}_{UU}\)），半参数效率界是什么？是否存在正则估计量达到该界？这扎根于本文未引用任何效率理论工作，且方法完全贝叶斯。
与 Linero et al. (2026) 的详细比较：作者仅提及“they use different models and target different estimands than ours”。但两者都处理治愈因果效应，一个基于贝叶斯机器学习（BartCure），一个基于参数贝叶斯模型。在什么条件下哪种方法更优？能否统一框架？这扎根于 Section 1 最后一段的引用句。

Maintained by 陈星宇 · Homepage · Source on GitHub