[論文レビュー] Adversarial Time-to-Event Modeling

Paidamoyo Chapfuwa, Chenyang Tao+5 more|PubMed|Apr 9, 2018

Statistical Methods and Inference参考文献 30被引用数 24

ひとこと要約

本稿では、右側打ち切りデータを用いた生存分析における生存時間分布の推定を目的とした、生成的 adversarial ネットワーク（GAN）を用いた深層生成モデルである DATE（Adversarial Time-to-Event Modeling）を提案する。生成的対抗学習と打ち切りイベントを明示的に扱うための新規コスト関数を活用することで、不確実性の推定が向上し、実データおよびベンチマークデータセットにおいて、パラメトリックベースラインおよび DRAFT よりも優れた予測性能を示す。

ABSTRACT

Modern health data science applications leverage abundant molecular and electronic health data, providing opportunities for machine learning to build statistical models to support clinical practice. Time-to-event analysis, also called survival analysis, stands as one of the most representative examples of such statistical models. We present a deep-network-based approach that leverages adversarial learning to address a key challenge in modern time-to-event modeling: nonparametric estimation of event-time distributions. We also introduce a principled cost function to exploit information from censored events (events that occur subsequent to the observation window). Unlike most time-to-event models, we focus on the estimation of time-to-event distributions, rather than time ordering. We validate our model on both benchmark and real datasets, demonstrating that the proposed formulation yields significant performance gains relative to a parametric alternative, which we also propose.

研究の動機と目的

• 深層学習を用いた生存分析における、打ち切りデータを伴う生存時間分布の非パラメトリック推定の課題に取り組むこと。
• 特に打ち切りイベントを含む生存時間モデリングにおける不確実性の定量的評価を改善すること。
• リスク順序付けや固定時刻の確率のみを推定するのではなく、完全な生存時間分布を推定する手法を開発すること。
• 従来の Cox-PH や AFT モデルの制限を克服するため、対抗的学習によるスケーラブルで確率的（stochastic）な訓練を可能にすること。
• 特定のパラメトリックベースライン分布を仮定しない、柔軟で分布に依存しないフレームワークを提供すること。

提案手法

• 条件付き GAN フレームワークを採用し、生成器ネットワークが予測変数（共変量）を条件として生存時間を生成する。
• 識別器が訓練データからの実際のイベント時刻と、生成器が生成した時刻を区別するように設計する。
• 右側打ち切り観測に対して妥当な分布を生成するよう促すために、打ち切りイベントを明示的にモデル化する新規コスト関数を導入する。
• すべてのネットワーク層にノイズ（例：Uniform(0,1)）を導入することで、不確実性の推定と分布カバレッジの向上を図る。
• 時間順序制約を目的関数に明示的に組み込まず、対抗的最適化によりモデルを訓練する。
• 比較のため、対数正規分布を仮定した AFT ベースのパラメトリックベースライン（DATE-AE）を提案する。

実験結果

リサーチクエスチョン

• RQ1 打ち切りデータを伴う生存時間モデリングに、対抗的学習を効果的に適用することで、分布推定の性能が向上するか？
• RQ2 提案された GAN ベースのアプローチは、既存のパラメトリックおよびノンパラメトリックモデルと比較して、不確実性の定量的評価および予測性能が優れているか？
• RQ3 すべてのネットワーク層にノイズを導入することで、予測された生存時間分布のカバレッジおよびキャリブレーションにどのような影響を与えるか？
• RQ4 目的関数に明示的な時間順序制約を組み込まずに、モデルは正しい時間順序を学習できるか？
• RQ5 高レベルの打ち切り率と複雑な共変量構造を示す臨床実データセットにおいて、モデルは良好な性能を示すか？

主な発見

• DATE は、すべてのデータセットにおいて、パラメトリック AFT ベースライン（DATE-AE）および DRAFT モデルと比較して、相対絶対誤差とカバレッジの両面で顕著に優れている。
• ehr データセットでは、DATE の中央値相対絶対誤差が 23.6%（IQR: 11.1–43.0）であり、DRAFT（36.7%）および DATE-AE（24.5%）を上回った。
• flchain データセットでは、DATE の中央値相対絶対誤差が 19.5% であり、DATE-AE（19.3%）と同等の性能を示し、DRAFT（26.2%）を顕著に上回った。
• すべての層に Uniform(0,1) ノイズを適用したモデルは、サポートデータにおいて中央値が 149.9 日の最大の 95% 予測区間を生成し、優れた分布カバレッジを示した。
• DATE に明示的な時間順序損失を追加しても性能向上が得られず、GAN の目的関数が時間順序を暗黙的に適切に学習していることを示している。
• コンcordance Index（CI）の結果では、ehr データでは DATE(-AE) が、サポートデータでは DRAFT がトップスコアを記録したが、DATE(-AE) は Cox-PH や RSF よりも優れた性能を示した。