[論文レビュー] A Semi-parametric Promotion Time Cure Model with Support Vector Machine

Suvra Pal, Wisdom Aselisewine|arXiv (Cornell University)|Apr 24, 2023

Gene expression and cancer classificationBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

本論文は、生存時間の非比例ハザード構造を維持しつつ、予後因子と治癒確率の非線形関係を捉えるためにサポートベクターマシン（SVM）を発生確率部に統合した、新しい半パラメトリックなプロモーションタイム治癒モデルを提案する。この手法は、EMアルゴリズムに逐次最小最適化（SMO）とプラットスケーリングを組み合わせてパラメータ推定を実行し、シミュレーション結果ではロジスティック回帰やスプラインベースのモデルと比較して、バイアス、平均二乗誤差、分類精度の面で優れた性能を示した。

ABSTRACT

The promotion time cure rate model (PCM) is an extensively studied model for the analysis of time-to-event data in the presence of a cured subgroup. There are several strategies proposed in the literature to model the latency part of PCM. However, there aren't many strategies proposed to investigate the effects of covariates on the incidence part of PCM. In this regard, most existing studies assume the boundary separating the cured and non-cured subjects with respect to the covariates to be linear. As such, they can only capture simple effects of the covariates on the cured/non-cured probability. In this manuscript, we propose a new promotion time cure model that uses the support vector machine (SVM) to model the incidence part. The proposed model inherits the features of the SVM and provides flexibility in capturing non-linearity in the data. To the best of our knowledge, this is the first work that integrates the SVM with PCM model. For the estimation of model parameters, we develop an expectation maximization algorithm where we make use of the sequential minimal optimization technique together with the Platt scaling method to obtain the posterior probabilities of cured/uncured. A detailed simulation study shows that the proposed model outperforms the existing logistic regression-based PCM model as well as the spline regression-based PCM model, which is also known to capture non linearity in the data. This is true in terms of bias and mean square error of different quantities of interest, and also in terms of predictive and classification accuracies of cure. Finally, we illustrate the applicability and superiority of our model using the data from a study on leukemia patients who went through bone marrow transplantation.

研究の動機と目的

• 従来の治癒モデルが予後因子と治癒確率との間の非線形効果を捉えきれていないという限界に対処すること。
• 線形の発生部をサポートベクターマシンに置き換えることで、柔軟性と解釈可能性を両立した治癒モデルの開発。
• 治癒サブグループを含む生存データにおける推定精度と予測性能の向上。
• SVMをプロモーションタイム治癒モデルフレームワークに初めて統合すること。
• 真の境界が非線形である場合に、治癒済みと非治癒の分類をよりよく行えるようにすること。

提案手法

• 予後因子と治癒確率の複雑な非線形関係を捉えるために、サポートベクターマシン（SVM）を用いた半パラメトリックなプロモーションタイム治癒モデル（PCM）を提案。発生部にSVMを採用し、非線形関係をモデル化。
• 生存に影響を与えるサブジェクトの時間発生（イベントまでの時間）の部分には、標準的なコックス比例ハザード構造を維持し、生存効果の解釈可能性を保証。
• パラメータ推定のための期待値最大化（EM）アルゴリズムを開発。Eステップではプラットスケーリングを用いて治癒の事後確率を推定。
• EMフレームワーク内でのSVM部分問題を効率的に解くために、逐次最小最適化（SMO）を採用。
• 未観測の競合リスクの数にはポアソン分布を適用し、その平均をSVMによってパラメータ化して、感受性の発生確率をモデル化。
• 実データとして白血病骨髄移植研究のデータを用い、実用的有用性を示す。

実験結果

リサーチクエスチョン

• RQ1 SVMベースの発生部モデルは、従来のロジスティック回帰と比較して、治癒確率の推定精度を向上させることができるか？
• RQ2 SVMをプロモーションタイム治癒モデルに統合することで、真の意思決定境界が非線形である場合に、治癒済みと非治癒の分類精度が向上するか？
• RQ3 バイアス、平均二乗誤差、予測精度の観点から、提案されたPCM-SVMモデルはスプラインベースやニューラルネットワークベースの治癒モデルと比較してどのように性能を発揮するか？
• RQ4 高次元の予後因子、あるいは相互作用や相関関係を含む複雑な予後因子構造下でも、本モデルは良好な性能を維持できるか？
• RQ5 非線形効果を捉える能力が、遅延部（生存確率）の推定精度の向上にも寄与するか？

主な発見

• 真の境界が非線形である場合に特に顕著に、提案されたPCM-SVMモデルは、PCM-Logitモデルと比較して、非治癒確率推定におけるバイアスと平均二乗誤差の両面で顕著に優れている。
• 非線形意思決定境界が存在する状況では、PCM-SVMがPCM-Logitより高い分類精度とより優れた予測性能を達成している。
• 相互作用や相関関係を含む10個の予後因子を含む高次元シミュレーション設定において、PCM-SVMはPCM-SplineおよびPCM-Neural Networkモデルを上回り、非治癒確率および全体の生存確率の推定において優れた性能を示した。
• 複雑な非線形関係を捉える能力が、遅延部の推定精度の向上にも寄与しており、発生部と遅延部の両方で包括的な改善が見られた。
• EMアルゴリズム内でのSMOとプラットスケーリングの活用により、効率的かつ安定したパラメータ推定が可能となり、実用的実装を支援した。
• 実データ（白血病）における強い実証的性能から、臨床的生存解析への応用可能性が確認された。