Cure rate joint model for time-to-event data and longitudinal tumor burden with potential change points¶
作者: Yixiang Qu, Ethan M Alt, Weibin Zhong, Jeen Liu, Chenguang Wang et al.
来源: Biostatistics
主题: 因果推断
相关性: 5/10
机构绿灯: University of North Carolina at Chapel Hill(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
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纵向数据与生存数据的联合建模(joint modeling of longitudinal and time-to-event data),其根本科学问题是:在临床试验中,一个随时间变化的生物标志物(如肿瘤负荷)与一个事件时间结局(如疾病进展或死亡)往往存在内在关联,单独建模任一方都会导致偏倚或效率损失。该方向的成熟度较高——自 Wulfsohn & Tsiatis (1997) 提出经典的共享随机效应联合模型以来,已有大量扩展(非线性轨迹、多重事件、贝叶斯方法等),但在纵向轨迹中引入个体化变化点(change point)并同时处理"治愈人群"(cured fraction) 的组合仍是一个相对开放的缺口。
发展脉络(history)¶
- 奠基工作:Wulfsohn & Tsiatis (1997) [4] 提出经典的共享随机效应联合模型,将纵向线性混合模型与 Cox 比例风险模型通过共享随机效应连接。这是该领域的基准框架,后续大量工作在此基础上扩展。
- 非线性与变化点扩展:Hsieh et al. (2006) [5] 和 Brilleman et al. (2017) [10] 将个体化变化点引入纵向混合模型,用于刻画"先下降后上升"或"先上升后平台"等非线性轨迹。但这些工作未与生存结局联合建模,变化点的推断仅依赖纵向数据。
- 联合建模中的变化点:Alt et al. (2025) [16] 是本文最直接的前作,首次将个体化变化点引入联合模型框架,并利用事件时间信息约束变化点(变化点必须发生在进展时间之前)。但该模型假设所有患者都会经历变化点,未考虑存在"稳定人群"(即肿瘤持续缩小、无变化点的患者)。
- 治愈率模型(cure rate model):本文引入的"稳定组"(stable group)本质上是一种治愈率结构。治愈率模型在生存分析中已有长期传统(如 Boag 1949, Berkson & Gage 1952),但在联合模型框架中与变化点结合尚属首次。
- 估计方法:从贝叶斯 MCMC(如 Brilleman et al. 2017 [10])到本文的 MCEM 算法,反映了该领域从贝叶斯到频率学方法的互补发展。本文明确采用 MCEM 而非 MCMC,理由是计算效率(见 Section 4)。
本文的位置:本文是 Alt et al. (2025) [16] 的直接推广——将"所有人都有变化点"的假设放宽为"一部分人稳定、一部分人有变化点"的两组混合结构,从而更贴近真实临床试验中观察到的异质性。作者在 Introduction 中明确指出,[16] 的模型无法处理治疗组中存在的"稳定人群",这会导致模型误设和偏差。
子线索聚类¶
- 共享随机效应联合模型([4, 5, 6, 7]):以线性混合模型 + Cox 比例风险为核心,强调纵向轨迹与生存风险的关联结构。这是该领域的主流范式。
- 个体化变化点模型([9, 10, 13]):关注纵向轨迹中的结构性转折点,但多数工作未与生存数据联合,或未考虑治愈人群。
- 治愈率/混合人群模型:本文的核心贡献所在——将人群分为"稳定组"和"变化点组",前者无事件风险,后者有事件风险且变化点受事件时间约束。
- 估计与计算([8, 11]):非线性联合模型的估计方法,包括 SAEM、贝叶斯方法等。本文的 MCEM 属于这一线索的延续。
这个方向在追问的核心问题¶
- 如何刻画纵向轨迹的异质性? 不同患者可能有完全不同的肿瘤动态——有人持续缩小(稳定),有人先缩小后反弹(变化点)。现有模型大多假设单一轨迹形态,无法捕捉这种异质性。
- 如何利用事件时间信息约束纵向轨迹? 生物学上,肿瘤负荷的增加(变化点)必须发生在疾病进展之前。这一约束如何纳入模型并改善变化点估计?
- 如何处理治愈人群? 在免疫治疗时代,部分患者可能达到长期缓解甚至"功能性治愈",他们的纵向轨迹与生存风险与其他患者本质不同。忽略这一人群会导致模型误设。
- 如何在复杂模型下实现高效估计? 联合模型 + 变化点 + 混合人群的组合导致似然函数高度复杂,需要设计可行的估计算法(MCEM)并保证数值稳定性。
⚠️ 作者的 framing(这是作者的说法):作者将缺口 frame 为"现有联合模型无法同时处理(a)个体化变化点和(b)稳定人群",因此本文是"显然的下一步"。作者在 Introduction 中强调,[16] 的模型只能应用于单一治疗组,且无法处理"治愈"人群,这限制了其在比较研究中的应用。被淡化或回避的竞争路线:(1) 贝叶斯方法——作者选择 MCEM 而非 MCMC,但未深入讨论两者在有限样本下的相对优劣;(2) 半参数方法——作者对生存分布和随机效应分布都做了参数假设(正态、对数正态),未讨论半参数化(如 Cox 部分似然)的可能性;(3) 变化点作为连续参数的处理——作者将变化点视为随机效应,但未讨论其可识别性条件是否与经典变化点文献(如局部渐近正态性)一致。明显该被引却没出现在 intro 里的:作者未引用任何关于治愈率模型可识别性的经典文献(如 Li, Taylor & Sy 2001 关于治愈率模型与标准生存模型的可区分性),也未引用变化点估计的渐近理论(如 Muggeo 2003 的分段回归文献)。这些缺失可能意味着作者对模型的可识别性和推断理论(而非仅算法)的讨论不够深入。
张力¶
未见明显对立引用。但存在一个微妙的张力:Alt et al. (2025) [16] 的模型假设所有患者都有变化点,而本文假设只有一部分患者有变化点。这两个模型在 π(s) = 0 时重合,但在 π(s) > 0 时给出不同的轨迹估计。作者在模拟中展示了当数据确实存在稳定人群时,[16] 的模型会产生偏差——这构成了对前作适用性的直接挑战,但作者将其表述为"推广"而非"否定"。
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¶
可观测数据(研究者实际能看到的):
- 对每个患者 \(i = 1, \ldots, n\):
- 纵向数据:\((y_{ij}, s_{ij})\),\(j = 1, \ldots, n_i\),其中 \(y_{ij}\) 是第 \(j\) 次访视时的肿瘤负荷(TB,以百分比变化表示),\(s_{ij}\) 是访视时间。注意 \(s_{ij} \le t_i^{(e)}\),即纵向观测在事件或删失之前。
- 生存数据:\((t_i^{(e)}, \nu_i)\),其中 \(t_i^{(e)} = \min\{t_i^{*, (e)}, c_i^{*, (e)}\}\) 是观测到的进展时间(取事件时间与删失时间的较小者),\(\nu_i = \mathbb{I}(t_i^{*, (e)} \le c_i^{*, (e)})\) 是事件指示符。
- 协变量:\(x_{ij}\)(纵向模型中的固定效应协变量,如治疗组别)、\(w_i\)(生存模型中的协变量)。
潜在 / 不可观测量(模型假设存在但无法直接观测):
- \(\Delta_i \in \{0, 1\}\):患者 \(i\) 是否属于稳定组(\(\Delta_i = 1\))或变化点组(\(\Delta_i = 0\))。\(\Delta_i\) 是部分潜变量——如果患者经历了事件(\(\nu_i = 1\)),则必然有 \(\Delta_i = 0\);如果患者被删失(\(\nu_i = 0\)),则 \(\Delta_i\) 未知。
- \(t_i^*\):潜在的真实进展时间(对数尺度),仅对变化点组定义。
- \(\omega_i\):个体化变化点(对数时间尺度),仅对变化点组定义。
- \(b_i = (b_{0i}, b_{1i}, b_{2i})^T\):变化点组的随机效应(截距、变化点前斜率、变化点后斜率)。
- \(b_{(s),i} = (b_{(s),0i}, b_{(s),1i})^T\):稳定组的随机效应(截距、斜率)。
参数 / estimand:
- \(\pi_{(s)}\):稳定组比例("治愈率")。
- \(\theta_T = (\gamma, \sigma_{tte}^2)\):生存模型参数(对数正态 AFT 模型的回归系数和方差)。
- \(\theta_R = (\mu_r, \Sigma_r)\):变化点组随机效应的均值和协方差矩阵。
- \(\theta_{R,(s)} = (\mu_{r,(s)}, \Sigma_{r,(s)})\):稳定组随机效应的均值和协方差矩阵。
- \(\theta_Y = (\beta, \sigma_y^2)\):纵向模型的固定效应和误差方差。
- 主要 estimand:边际纵向轨迹 \(E[y | s, \theta]\)(给定时间 \(s\) 的期望肿瘤负荷),以及治疗组间的轨迹差异(用于估计平均治疗效果)。
模型结构(数据生成机制):
- 人群混合:\(\Delta_i \sim \text{Bernoulli}(\pi_{(s)})\)。
- 稳定组(\(\Delta_i = 1\)):纵向轨迹为线性混合模型 \(y_{ij} = x_{(s),ij}^T \beta_{(s)} + b_{(s),0i} + b_{(s),1i} s_{ij} + \epsilon_{(s),ij}\),无事件风险(\(t_i^* = \infty\))。
- 变化点组(\(\Delta_i = 0\)):纵向轨迹为分段线性混合模型 \(y_{ij} = x_{ij}^T \beta + b_{0i} + b_{1i}(s_{ij} - \omega_i) \mathbb{I}(s_{ij} \le \omega_i) + b_{2i}(s_{ij} - \omega_i) \mathbb{I}(s_{ij} > \omega_i) + \epsilon_{ij}\);生存时间服从对数正态 AFT 模型 \(t_i^* = w_i^T \gamma + \epsilon_{tte,i}\);变化点受约束 \(\omega_i \in (0, e^{t_i^*})\)(变化点必须发生在进展之前)。
- 随机效应分布:变化点组 \(( \omega_i, b_i^T)^T \sim \text{PTMVN}(\mu_r, \Sigma_r, 0, e^{t_i^*})\)(部分截断多元正态,截断条件 \(\omega_i < e^{t_i^*}\));稳定组 \(b_{(s),i} \sim N(\mu_{r,(s)}, \Sigma_{r,(s)})\)。
关键识别假设:
- 可忽略删失:给定协变量和随机效应,删失机制与事件时间和纵向轨迹独立。
- 变化点约束:\(\omega_i < e^{t_i^*}\) 是生物学约束,也是模型可识别性的关键——它利用事件时间信息来约束变化点的位置。
- 组间条件独立:给定组别 \(\Delta_i\) 和随机效应,纵向观测与事件时间条件独立。
第二步:最小内核¶
剥掉所有一般性假设后,本文的核心数学问题是什么?
考虑一个极度简化的特例:假设没有协变量(\(x_{ij} = w_i = 1\)),稳定组的轨迹是常数(斜率为 0),变化点组的轨迹是"先下降后上升"的分段线性函数,且变化点前斜率为固定值 \(-a\)(\(a > 0\)),变化点后斜率为固定值 \(b\)(\(b > 0\))。此时,每个患者 \(i\) 的纵向轨迹由以下参数决定:
- 组别 \(\Delta_i\)(稳定或变化点)
- 若在变化点组:截距 \(b_{0i}\)、变化点 \(\omega_i\)、变化点后斜率 \(b_{2i}\)(变化点前斜率固定为 \(-a\))
要估计的核心量:稳定组比例 \(\pi_{(s)}\)、变化点组的参数 \((\mu_r, \Sigma_r)\)、以及边际轨迹 \(E[y|s]\)。
这个问题的数学难点在哪?
- 混合标签未知:我们不知道谁属于稳定组、谁属于变化点组。对于删失患者,即使其轨迹一直下降,也无法确定他/她是否永远不会反弹(稳定)还是只是反弹时间晚于删失时间。
- 变化点与事件时间的耦合:\(\omega_i < e^{t_i^*}\) 的约束意味着,对于事件时间较短的患者,其变化点被限制在一个很小的区间内。这导致似然函数中的积分区域高度不规则。
- 截断分布:PTMVN 分布的归一化常数依赖于截断边界 \(e^{t_i^*}\),这使得似然函数无法解析计算,必须依赖数值积分或 Monte Carlo 方法。
本文的核心思想(一句话):通过引入一个部分潜变量 \(\Delta_i\) 将人群分为"稳定组"和"变化点组",并利用事件时间信息作为变化点的上界约束,从而在联合模型中同时估计治愈率和个体化变化点。
为什么这个特例能体现核心困难? 即使在这个极度简化的设定下,似然函数仍然需要计算:
其中,删失患者的似然包含一个混合:他/她可能是稳定组(第一项),也可能是变化点组但事件时间尚未发生(第二项)。这个混合结构是本文区别于 Alt et al. (2025) [16] 的核心——[16] 假设所有人都是变化点组,因此删失患者的似然只有第二项。
本文的解法:使用 MCEM 算法。在 E-step 中,给定当前参数估计,计算每个删失患者属于稳定组的后验概率 \(E[\Delta_i | t_i^{(e)}, y_i]\);在 M-step 中,利用这些后验概率作为权重,分别更新稳定组和变化点组的参数。对于变化点组中涉及截断分布的积分,使用 Monte Carlo 采样近似。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在非小细胞肺癌临床试验中,如何联合建模纵向肿瘤负荷(TB)和进展时间,同时考虑两类患者——一类是肿瘤持续缩小、无变化点的"稳定组",另一类是肿瘤先缩小后反弹、存在个体化变化点的"变化点组"。
- 核心方法:构建一个两组分混合联合模型,其中变化点组的纵向轨迹为带随机变化点的分段线性混合模型,生存时间服从对数正态 AFT 模型,且变化点受事件时间约束(\(\omega_i < e^{t_i^*}\));使用 MCEM 算法进行参数估计。
- 主要结论:模拟研究表明,当数据中存在稳定人群时,忽略这一人群的"变化点-only"模型会产生显著偏差,而本文提出的全模型能准确恢复各类参数并给出稳健的边际轨迹估计;应用于 EMPOWER-Lung 1 试验数据时,发现 cemiplimab 治疗组的肿瘤再生长延迟(变化点更晚)且再生长速率更慢。
关键设定与假设¶
- 模型结构:两组分混合模型。稳定组(比例 \(\pi_{(s)}\))的纵向轨迹为线性混合模型;变化点组(比例 \(1-\pi_{(s)}\))的纵向轨迹为带随机变化点的分段线性混合模型。生存时间仅对变化点组定义(稳定组无事件风险)。
- 分布假设:
- 变化点组随机效应 \((\omega_i, b_i^T)^T \sim \text{PTMVN}(\mu_r, \Sigma_r, 0, e^{t_i^*})\),即截断正态分布,截断条件为 \(\omega_i \in (0, e^{t_i^*})\)。
- 稳定组随机效应 \(b_{(s),i} \sim N(\mu_{r,(s)}, \Sigma_{r,(s)})\)。
- 纵向误差 \(\epsilon_{ij} \sim N(0, \sigma_y^2)\),\(\epsilon_{(s),ij} \sim N(0, \sigma_{y,(s)}^2)\)。
- 生存时间 \(t_i^* = w_i^T \gamma + \epsilon_{tte,i}\),\(\epsilon_{tte,i} \sim N(0, \sigma_{tte}^2)\)(对数正态 AFT)。
- 关键约束:\(\omega_i < e^{t_i^*}\)——变化点必须发生在进展时间之前。这是生物学约束,也是模型利用事件时间信息的关键机制。
- 相比已有工作的变化:相比 Alt et al. (2025) [16](所有人都有变化点),本文增加了稳定组;相比传统治愈率模型(如 Berkson & Gage 1952),本文的"治愈"不是指永不复发,而是指纵向轨迹持续下降、无变化点。
- 估计方法:MCEM 算法。E-step 使用 Monte Carlo 采样近似涉及截断正态分布的期望;M-step 中,\(\pi_{(s)}\)、\(\gamma\)、\(\sigma_{tte}^2\)、\(\beta\)、\(\sigma_y^2\) 有闭式解,\(\mu_r\) 和 \(\Sigma_r\) 使用 L-BFGS 优化。不确定性量化采用 Bootstrap(\(B=500\))。
主要结果¶
模拟研究(\(n \in \{100, 200, 500\}\),\(\pi_{(s)} \in \{0, 0.2, 0.4\}\)):
- 当 \(\pi_{(s)} = 0\)(即真实模型中无稳定组)时,全模型与变化点-only 模型表现相似,说明全模型在模型简化时不会损失太多效率。
- 当 \(\pi_{(s)} > 0\) 时,变化点-only 模型在变化点组参数上出现显著偏差(具体数值见原文 Figure 4 及补充材料),且偏差随 \(\pi_{(s)}\) 增大而增大;全模型则保持低偏差和接近名义水平的覆盖率。
- 边际轨迹估计方面,全模型在 \(\pi_{(s)} > 0\) 时显著优于变化点-only 模型,尤其在后期时间点(此时稳定组与变化点组的轨迹差异最大)。
- 当变化点前后斜率差异较小时(\(\mu_r = (0.3, 0, -0.3, 0.3)^T\)),两组更难区分,参数估计的偏差增大,但边际轨迹估计仍然稳健——作者将此归因于"轨迹估计对参数误差的平滑作用"。
真实数据应用(EMPOWER-Lung 1 试验,\(n=400\) 子集):
- 治疗组(cemiplimab)的总体变化点为 0.556 年(95% CI: 0.394, 0.674),对照组(化疗)为 0.301 年(95% CI: 0.247, 0.359),两组 CI 不重叠,表明 cemiplimab 显著延迟了肿瘤再生长。
- 治疗组的进展后斜率(post-slope)为 0.091(95% CI: 0.041, 0.206),显著低于对照组的 0.31(95% CI: 0.23, 0.383),表明 cemiplimab 不仅延迟了再生长,还减缓了再生长速度。
- 治疗组的初始下降斜率(pre-slope)为 -0.174,略快于对照组的 -0.149,但差异不显著。
- 稳定组比例 \(\pi_{(s)}\) 的估计在两组间无显著差异(具体数值见补充材料 Table 2)。
证明路线与技术技巧¶
整体路线:本文的证明/推导主要集中在两个方面:(1) 完整数据似然的分解与 Q 函数的推导;(2) E-step 中条件期望的 Monte Carlo 近似。
关键步骤:
-
Q 函数分解:将 Q 函数分解为四个部分 \(Q = Q^{(1)} + Q^{(2)} + Q^{(3)} + Q^{(4)}\),分别对应 \(\pi_{(s)}\)、变化点组的生存参数、变化点组的纵向参数、稳定组的纵向参数。这种分解使得 M-step 可以分块优化,大部分参数有闭式解。
-
E-step 的 Monte Carlo 近似:对于观测到事件的患者(\(\nu_i = 1\)),需要计算 \(E[\Delta_i | t_i, y_i]\) 等条件期望。由于 PTMVN 分布的存在,这些期望无法解析计算。作者使用 Monte Carlo 采样:从截断正态分布中采样 \(\omega_i\),然后计算条件期望的样本均值。具体地,对于观测到事件的患者,\(\omega_i\) 的采样分布是 \(N(\mu_\omega, \sigma_\omega^2)\) 截断在 \((0, e^{t_i})\);对于删失患者,\(\omega_i\) 的采样分布是 \(N(\mu_\omega, \sigma_\omega^2)\) 截断在 \((0, e^{t_i^*})\),其中 \(t_i^*\) 本身也需要从截断正态分布中采样。
-
M-step 的 L-BFGS 优化:\(\mu_r\) 和 \(\Sigma_r\) 没有闭式解,作者使用 L-BFGS 算法优化。关键技巧是使用 Cholesky 分解 \(\Sigma_r = O_r O_r^T\) 重新参数化,将约束优化转化为无约束优化,并推导了 \(\frac{\partial Q}{\partial \text{vech}(P_r)}\) 的链式法则表达式(见补充材料 Section 3.3.2)。
-
Bootstrap 不确定性量化:采用非参数 Bootstrap(\(B=500\)),对每个 Bootstrap 样本重新运行 MCEM 算法,用经验分位数构造 95% CI。
技术技巧点名: - Monte Carlo EM (MCEM):用 Monte Carlo 采样替代 E-step 中的解析积分,是处理高维截断分布的标准技巧。 - Cholesky 分解 + 链式法则:用于处理正定矩阵约束下的优化问题。 - 部分截断多元正态(PTMVN):这是 Alt et al. (2025) [16] 引入的分布族,本文直接继承并扩展。 - Bootstrap:用于不确定性量化,避免推导渐近方差的复杂计算。
🔎 结论是否比证明窄¶
- 模拟研究部分:作者声称"全模型在 \(\pi_{(s)} > 0\) 时显著优于变化点-only 模型",但这一结论仅在 \(n=200\) 时详细展示(Figure 4),\(n=100\) 和 \(n=500\) 的结果放在补充材料中。作者没有报告 \(n=100\) 时全模型的收敛失败率或计算时间,这可能掩盖了小样本下的数值稳定性问题。
- 真实数据部分:作者声称"cemiplimab 组的总体变化点显著晚于对照组",但这一结论基于 Bootstrap CI 不重叠。作者没有进行正式的假设检验(如 Wald 检验或似然比检验),也没有调整多重比较(尽管亚组分析涉及 3 个 PD-L1 分层)。
- 模型假设部分:作者假设稳定组无事件风险(\(\Delta_i = 1 \Rightarrow t_i^* = \infty\)),但未讨论这一假设的可检验性。在真实数据中,一个被删失的患者可能属于稳定组,也可能属于变化点组但事件时间尚未发生——这两者在似然中的区分完全依赖于模型假设。作者在 Discussion 中承认了这一点,但未提供敏感性分析。
- 一个值得注意的宽泛 claim:作者在 Abstract 和 Conclusion 中声称该方法"能够刻画治疗对肿瘤动态的异质性影响",但模拟研究仅覆盖了 \(\pi_{(s)} \in \{0, 0.2, 0.4\}\) 和两组特定的 \(\mu_r\) 设定。对于 \(\pi_{(s)}\) 接近 0.5 或变化点分布高度异质的情形,模型的表现未知。
四、开放问题¶
-
可识别性理论:本文的混合模型(稳定组 vs 变化点组)在什么条件下是可识别的?特别是,当删失比例较高时,稳定组与"变化点晚于删失时间的变化点组"在似然上如何区分?作者未提供形式化的可识别性条件。扎根于:Section 3.3 的完整数据似然(公式 1)和 Discussion 中对删失处理的讨论。
-
渐近性质:MCEM 估计量的相合性和渐近正态性未被证明。由于 E-step 使用 Monte Carlo 近似,估计量存在 Monte Carlo 误差,这会如何影响 Bootstrap CI 的覆盖概率?扎根于:Section 4 的算法描述和 Section 4.3 的 Bootstrap 方法。
-
变化点分布的可扩展性:本文假设变化点 \(\omega_i\) 服从截断正态分布(通过 PTMVN)。如果真实的变化点分布是多峰的(例如,一部分患者早期反弹、另一部分晚期反弹),模型是否还能正确估计?扎根于:Section 3.2.3 的 PTMVN 假设。
-
高维协变量扩展:本文的模型仅包含治疗组别作为协变量。在真实临床试验中,可能有多个基线协变量(年龄、性别、生物标志物等)同时影响纵向轨迹和生存风险。如何在高维协变量下进行变量选择?扎根于:Section 3.2 的模型设定(\(x_{ij}\) 和 \(w_i\) 的维度)。
-
与半参数方法的衔接:本文对生存分布做了对数正态 AFT 假设。如果放松为半参数 Cox 模型,变化点的约束(\(\omega_i < e^{t_i^*}\))如何与部分似然结合?扎根于:Section 3.2.2 的 AFT 模型设定和 Discussion 中提到的"更灵活的生存分布"。
-
计算效率的进一步优化:MCEM 的 E-step 需要对每个患者进行 Monte Carlo 采样,当样本量或访视次数增大时计算成本可能过高。能否用拟 Monte Carlo 或变分推断加速?扎根于:Section 4 的算法描述。
提醒:要确认上述开放问题是否是真 gap,建议去读以下近期文献的 Introduction 和 Future Work 部分:(1) 关于 joint model 中变化点估计的文献(如 Alt et al. 2025 的后续引用);(2) 关于治愈率模型可识别性的文献(如 Li, Taylor & Sy 2001);(3) 关于 MCEM 在混合模型中的理论性质(如 Caffo, Jank & Jones 2005)。如果这些文献都指向同一缺口,那才是值得投入的问题。
Maintained by 陈星宇 · Homepage · Source on GitHub