研究背景与意义
在精准医疗时代，识别对特定治疗敏感的患者亚组是临床研究的核心挑战。传统深度学习方法虽能建模复杂关系，却难以提供可解释的生物标志物信息。以Hidradenitis Suppurativa（HS，化脓性汗腺炎）为例，尽管adalimumab（Humira）在PIONEER I/II试验中显示出显著疗效（PIONEER I P=0.003；PIONEER II P<0.001），但患者响应存在高度异质性。这种"一刀切"的治疗模式导致资源浪费和疗效不均，亟需能同时解析治疗异质性（HTE）和发现预测性生物标志物的创新方法。

研究设计与方法
AbbVie公司的Zihuan Liu、Yihua Gu和Xin Huang团队开发了DeepRAB（Deep learning-based Ranking method for subgroup and predictive Biomarker identification）。该框架通过三个关键技术突破传统局限：

1. A-learning整合：在损失函数中嵌入因果推断框架，直接估计个体化治疗规则（ITR）
2. CAE特征选择：通过温度调控的Gumbel-Softmax技术实现端到端的生物标志物筛选
3. 双重架构设计：编码器层（特征选择）与解码器层（非线性关系建模）协同优化

研究采用模拟数据（含线性、二次项和交互作用场景）和真实HS临床试验数据（n=199）验证性能，对比因果森林（CF）、XGBoostML等方法。

主要研究结果
1. 亚组识别性能验证
在模拟数据中，DeepRAB的AUC（曲线下面积）显著优于基线模型。例如在含交互项的Scenario III中，当预测效应β=0.1时，DeepRAB的AUC达0.65，而CF仅0.55。尤其值得注意的是，DeepRAB在弱预测信号（β<1）和强预后干扰（β₀
=2）场景下仍保持稳定性能。

2. 生物标志物发现能力
DeepRAB准确识别了模拟数据中的真实生物标志物（X₁
和X₂
），其检测率在β=0.5时达78%，远超CF（45%）。关键的是，DeepRAB能区分预测性标志物（如X₁
）与预后性标志物（如X₃
），避免临床误判。

3. 真实数据应用
在HS临床试验分析中，DeepRAB锁定两个关键生物标志物：

• CHG_AN（第12周脓肿和炎性结节计数减少百分比）
• AN12（第12周AN计数）
  这与EMA SmPC（欧洲药品管理局产品特性概要）中"≥25% AN计数改善（AN25）"的亚组定义高度一致。

结论与展望
DeepRAB的创新性体现在：

1. 方法学突破：首次实现深度学习框架下HTE评估与生物标志物发现的同步优化
2. 临床价值：为HS等慢性病的长期治疗策略提供决策依据（如EMA批准的延长治疗方案）
3. 扩展潜力：架构可适配影像组学（MRI/PET）和基因组数据（GWAS）分析

研究局限性包括计算复杂度较高，且需进一步验证生物标志物的普适性。未来工作将探索时间-事件结局的Cox损失函数适配，推动深度学习在因果推断中的更广泛应用。该成果发表于《Communications Medicine》，为精准医疗提供了新的方法论工具。