В исследовании представлен новый метод машинного обучения LSAT-EN (Layer-Specific Source-Anchored Transfer Learning with Elastic Net), разработанный для улучшения прогнозирования выживаемости у молодых пациенток с раком молочной железы (до 50 лет), данных которых часто недостаточно для обучения надежных моделей. Метод использует данные более старших возрастных групп (50, 55 и 60+ лет) в качестве источника знаний для переноса на целевую группу, интегрируя шесть слоев мультиомических данных из когорты TCGA-BRCA. Оценка эффективности проводилась с помощью AUC для бинарного прогнозирования выживаемости на 2–4 года, а также индекса Харрелла C и IPCW AUC для цензурированных данных. В симуляционных моделях LSAT-EN продемонстрировал наилучшие результаты при умеренной гетерогенности между источниками и целевыми группами, достигая AUC в диапазоне 0.747–0.802, что статистически значимо превысило показатели других методов, таких как GAS-EN и стандартный Elastic Net. При высокой гетерогенности данных и малом объеме выборки целевой группы преимущество метода было еще более выраженным: AUC составил 0.689–0.789 против 0.590–0.771 у конкурентов. Применение метода к реальным данным TCGA-BRCA подтвердило его способность улучшать дискриминационную способность моделей по всем временным горизонтам и возрастным группам-источникам. Кроме того, алгоритм успешно выявил биологически значимые мРНК и микроРНК, а также перспективные пары взаимодействий, что подчеркивает его ценность не только для прогнозирования, но и для открытия биомаркеров. Исследование демонстрирует потенциал переносного обучения в решении проблемы диспропорций в данных и улучшении персонализированной онкологии для недостаточно представленных популяций.