DeepHealth/extra_info_assessment_all_analysis_plan.md

assessment_only 与 all 实验及分析方案

1. 实验目的

补充现有四级 extra-information 证据链：

1. disease_only：疾病事件、相对患病时间和 sex；无 extra-info token。
2. smoking_alcohol_bmi：疾病史、sex、smoking/alcohol/BMI token。
3. assessment_only：疾病史、sex、65项常规体格、肺功能、血液、尿液和生化指标 token。
4. all：疾病史、sex、全部265项体检和暴露信息 token。

所有配置均不使用 CHECKUP。额外信息以独立 token 注入，并使用各自的 assessment 时间。 所有连续变量均强制使用训练子集拟合的 RobustScale；训练与评估不设置未标准化对照或兼容模式。

目标是区分：

• 疾病史本身能够提供多少未来疾病信息；
• 常规体检在疾病史之外增加多少信息；
• 生活方式、社会经济、心理和环境暴露在完整体检之外增加多少信息；
• 额外信息对疾病预测和死亡预测是否具有不同作用。

2. 固定模型

所有新增实验固定为：

TrajMixer
+ all_future
+ relative
+ Weibull
+ timed disease history
+ sex

仅改变 extra_info_types_file：

• extra_info_types_assessment_only.txt
• extra_info_types_all.txt

每种配置运行 seed 42、43、44。

3. A6000 48GB 设置

配置	Batch size	原因
assessment_only	256	最多65个 extra-info token，48GB余量充足
all	128	最多265个 extra-info token，relative RBF attention 显存随总序列长度平方增长

当前训练代码为 FP32/TF32，并未使用 AMP。若 all batch=128 在极端长序列 batch 上出现 CUDA OOM，降为64，不自动重试，避免同一配置产生多个不完整 run。

batch size 是 all 与其他模型之间的潜在训练差异。代码会按 batch size 自动缩放学习率，但最终报告仍需明确记录该差异。若 all 的结果处于模型选择临界区，再补 seed 42 的 batch-size sensitivity，而不是预先扩大实验矩阵。

4. 主要比较

4.1 常规体检的增量价值

assessment_only − disease_only

回答常规器官功能检测指标在疾病序列之外提供多少信息。

4.2 全部信息相对常规体检

all − assessment_only

回答生活方式、社会经济、心理和环境暴露是否在常规体检之后仍有增量价值。两组使用完全相同的疾病事件、Landmark 和随访边界，仅 extra-info token 集合不同。

4.3 全体检相对紧凑变量集

assessment_only − smoking_alcohol_bmi

回答65项常规体检是否优于紧凑的 smoking/alcohol/BMI 输入。

4.4 全部信息相对紧凑变量集

all − smoking_alcohol_bmi

衡量从当前最终模型扩展到全部 extra information 的最大增益。

4.5 既有比较

保留：

smoking_alcohol_bmi − disease_only

与新增结果共同形成完整的信息增量路径。

5. 评估指标

疾病和死亡分开分析。

判别能力

• Landmark AUC；
• 各 horizon AUC；
• disease cell win rate；
• 三个 seed 的均值、标准差和方向一致性。

概率与似然质量

• IPCW Brier；
• 固定时点 IPCW NLL；
• 连续时间 point-process NLL；
• Expected/Observed ratio；
• calibration-in-the-large；
• calibration slope；
• 校准曲线。

复杂度与稳定性

• 参数量；
• 每个 epoch 运行时间；
• 峰值显存；
• 三个 seed 的性能波动；
• 缺失值较多的 extra-info 类型是否造成训练不稳定。

6. 配对和汇总方法

• replicate unit 为 seed；
• 按相同 seed × label_code × sex × horizon 配对；
• 每个比较使用三个 seed 共同存在的 cell；
• 先在 seed 内汇总，再计算三个 seed 的均值和样本标准差；
• AUC 越高越好；
• Brier、NLL及绝对校准偏差越低越好；
• 不以单个 seed 或单个 horizon 决定模型。

7. disease_only 比较的评估边界

所有配置均从同一疾病/死亡事件流构造历史、查询点、随访终点和 censoring，并且都不使用 CHECKUP。不同配置只改变 extra-info token，因此可以在共同支持集上把差异解释为额外信息的增量价值。

8. 决策规则

1. 如果 assessment_only 已达到 all 的绝大部分性能，并且校准更稳定，优先选择 assessment_only，因为它与器官功能重建目标一致且解释更清楚。
2. 如果 all 在疾病和死亡 AUC、Brier、NLL上均稳定优于 assessment_only，则将 all 作为性能上限模型，但不直接作为器官负担教师模型。
3. 如果 all 只提高 AUC而恶化 Brier/NLL或 seed 波动明显，不升级最终模型。
4. disease-only Timed 仍是生成纯疾病来源器官负担分数的教师模型；assessment/all 实验用于界定疾病史遗漏的信息，而不是改变该分数的纯疾病定义。

9. 运行与后续评估

训练：

bash train_extra_info_assessment_all_multiseed_linux.sh --gpus 0

多GPU：

bash train_extra_info_assessment_all_multiseed_linux.sh --gpus 0,1,2

训练完成后，现有扫描脚本分别生成 AUC 和 calibration/Brier/NLL。合并分析时，将新增 assessment_only 和 all 两个配置纳入主 Timed 表，不纳入 disease-history Ordered/Set 专表。