[論文レビュー] A General Framework for Survival Analysis and Multi-State Modelling

Stefan Groha, Sebastian M. Schmon+1 more|arXiv (Cornell University)|Jun 8, 2020

Machine Learning in Healthcare参考文献 41被引用数 6

ひとこと要約

本稿では、コルモゴロフ前方方程式を直接モデル化する神経ODEベースのフレームワーク、survNodeを提案する。これは、仮定を必要とせず柔軟に多状態生存分析を実行でき、個々の原因別ハザードレート、状態滞在確率、不確実性の定量化を高精度に推定可能である。変分潜在変数モデルを用いることで予測区間のキャリブレーションが向上し、生存および多状態データセットにおいて最先端の性能を達成した。

ABSTRACT

Survival models are a popular tool for the analysis of time to event data with applications in medicine, engineering, economics, and many more. Advances like the Cox proportional hazard model have enabled researchers to better describe hazard rates for the occurrence of single fatal events, but are unable to accurately model competing events and transitions. Common phenomena are often better described through multiple states, for example: the progress of a disease modeled as healthy, sick and dead instead of healthy and dead, where the competing nature of death and disease has to be taken into account. Moreover, Cox models are limited by modeling assumptions, like proportionality of hazard rates and linear effects. Individual characteristics can vary significantly between observational units, like patients, resulting in idiosyncratic hazard rates and different disease trajectories. These considerations require flexible modeling assumptions. To overcome these issues, we propose the use of neural ordinary differential equations as a flexible and general method for estimating multi-state survival models by directly solving the Kolmogorov forward equations. To quantify the uncertainty in the resulting individual cause-specific hazard rates, we further introduce a variational latent variable model and show that this enables meaningful clustering with respect to multi-state outcomes as well as interpretability regarding covariate values. We show that our model exhibits state-of-the-art performance on popular survival data sets and demonstrate its efficacy in a multi-state setting

研究の動機と目的

• コックス比例ハザードモデルなどの伝統的生存モデルの限界、特に比例ハザード仮定や線形予後因子効果の仮定に依存し、競合事象や非マルコフ過程を適切にモデル化できない点を是正すること。
• 比例ハザード仮定や線形効果の制限なしに、任意の状態トポロジーと非致命的遷移を扱える一般化された、柔軟な多状態生存モデリングフレームワークの開発。
• 神経ODEを用いてコルモゴロフ前方方程式を直接解くことで、個々の患者レベルにおける原因別ハザードレートと状態滞在確率の高精度な推定。
• 変分潜在変数モデルを用いてハザードレート予測の不確実性を定量化し、予測区間のキャリブレーションを向上。
• 潜在的な多状態遷移軌道に基づく解釈可能な患者クラスタリングを可能にし、疾患進行や治療反応に関する臨床的知見を支援。

提案手法

• フレームワークは、神経常微分方程式（neural ODEs）を用いて連続時間マルコフ過程のコルモゴロフ前方方程式をモデル化し、時間変動するハザードレートの柔軟で非パラメトリックな学習を可能にする。
• 状態拡張型神経ODEアーキテクチャは、拡張された状態変数を用いて記憶的なダイナミクスを組み込むことで、マルコフ仮定を越えたモデルの拡張を実現。
• 変分推論フレームワークを導入し、個々の患者の軌道の潜在変数表現を学習することで、不確実性の定量化とクラスタリングを可能にする。
• 尤度ベースの目的関数を用いてエンドツーエンドでモデルを訓練し、予測性能はブライアスコア、コンcordanceインデックス、信頼区間のキャリブレーションで評価。
• 潜在空間のクラスタリングにはUMAPを用い、非パラメトリックなアーレン＝ヨハンセン推定量を用いてクラスタ間の状態滞在確率の差を検証。
• 真の値が既知のシミュレーションデータを用いてモデルのキャリブレーションを定量的に評価し、95％信頼区間のカバレッジをコックス比例ハザードモデルと比較。

実験結果

リサーチクエスチョン

• RQ1 神経ODEベースのフレームワークは、比例ハザード仮定や線形予後因子効果の制限なしに、標準的な生存モデルを上回る性能を示せるか？
• RQ2 変分潜在変数モデルは、特に予測区間のキャリブレーションという観点から、多状態生存予測における不確実性の定量化をどの程度向上できるか？
• RQ3 モデルの潜在空間は、生物学的または臨床的に意味のある患者クラスタ（疾患進行パターンが異なる）を明らかにできるか？
• RQ4 競合リスクや非マルコフ過程が存在する複雑な多状態プロセスにおいて、真のハザードレートをどの程度正確に回復できるか？
• RQ5 潜在空間におけるクラスタ固有のロジスティック回帰により、予後因子効果の解釈性が向上するか？

主な発見

• survNodeは生存データにおいて、キャリブレーションスコア0.749 ± 0.071、コンコードランスインデックス0.6396 ± 0.0097を達成し、コックス比例ハザードモデル（キャリブレーション：0.250 ± 0.015、コンコードランス：0.6244 ± 0.0064）を顕著に上回った。
• 多状態設定では、統合ブライアスコアが低く、バイナリーログ尤度が高いという点で、ベースラインモデルを上回る優れた性能を示した。
• 真の値が既知のシミュレーションにおいて、変分survNodeモデルはコックス比例ハザードモデルよりもよりキャリブレートされた95％信頼区間を生成した。
• UMAPを用いた潜在空間クラスタリングにより、健康状態、疾患状態、死亡状態における状態滞在確率に顕著な差を持つ5つの明確な患者グループが特定され、意味のある患者サブタイピングが示された。
• クラスタ固有のロジスティック回帰により、各グループごとに異なる予後因子効果が同定され、疾患進行リスクが異なる患者サブグループに対する解釈可能な知見が得られた。
• シミュレートされた疾患-死亡モデルでは、予測値が非パラメトリックなアーレン＝ヨハンセン推定量とよく一致し、ハザードレートの正確な回復が確認された。