[論文レビュー] auton-survival: an Open-Source Package for Regression, Counterfactual Estimation, Evaluation and Phenotyping with Censored Time-to-Event Data

Chirag Nagpal, Willa Potosnak+1 more|arXiv (Cornell University)|Apr 15, 2022

Machine Learning in Healthcare被引用数 15

ひとこと要約

auton-survival は、医療分野における打ち切り付き生存時間データに対する耐障害性の高い機械学習を可能にするオープンソースの Python パッケージであり、生存回帰、反事実推定、治療効果分析、ドメイン適応、および表型抽出の統合ツールを提供する。重要度重み付けと感受性スコア補正を組み込むことで、モデルのキャリブレーションと識別能が向上し、SEERがん研究データにおいて、調整後、1年間の死亡予測でAUCが最大0.8449に向上したことが示された。

ABSTRACT

Applications of machine learning in healthcare often require working with time-to-event prediction tasks including prognostication of an adverse event, re-hospitalization or death. Such outcomes are typically subject to censoring due to loss of follow up. Standard machine learning methods cannot be applied in a straightforward manner to datasets with censored outcomes. In this paper, we present auton-survival, an open-source repository of tools to streamline working with censored time-to-event or survival data. auton-survival includes tools for survival regression, adjustment in the presence of domain shift, counterfactual estimation, phenotyping for risk stratification, evaluation, as well as estimation of treatment effects. Through real world case studies employing a large subset of the SEER oncology incidence data, we demonstrate the ability of auton-survival to rapidly support data scientists in answering complex health and epidemiological questions.

研究の動機と目的

• 医療分野における打ち切り付き生存時間アウトカムを用いた機械学習のための使いやすく再現性のあるソフトウェアの不足に対処すること。
• 打ち切りと交絡要因が存在する中で、正確な生存回帰とリスクストラティフィケーションを可能にすること。
• 反事実推定と治療効果分析を通じて、臨床意思決定支援を可能にすること。
• 重要度重み付けと感受性スコア補正を用いて、ドメイン間の一般化を向上させること。
• scikit-learn に類似した API と包括的なドキュメンテーションを通じて、医療分野の機械学習における再現性の高い研究を簡素化すること。

提案手法

• 本パッケージは、コックス比例ハザードモデルおよび深層ニューラルネットワークベースの生存モデル（例：DCPH）を含む生存回帰モデルを実装し、時変係数をサポートする。
• ドメインシフトと治療効果推定における交絡要因の補正に、重要度重み付けと感受性スコア推定（ロジスティック回帰を用いて）を用いる。
• 治療効果の評価に、逆確率重み付けとハザード比指標を用いて反事実的アウトカムを推定する。
• 標準的な生存指標（例：コンcordanceインデックス、ブライアースコア、複数の時間点における ROC 曲線下積分）を用いてモデル評価を実施する。
• PyTorch および scikit-learn と統合され、容易な採用と迅速なプロトタイピングを可能にする、scikit-learn に準拠した API を提供する。
• 生存モデルの出力とクラスタリング技術を用いたサブグループ探索とリスクストラティフィケーションにより、表型抽出を実施する。

実験結果

リサーチクエスチョン

• RQ1 統合的でオープンソースのソフトウェアパッケージは、医療分野の機械学習における生存分析の再現性とアクセス性を向上させ得るか？
• RQ2 感受性スコアを用いた重要度重み付けは、生存予測における異なる地理的地域間で、モデルのキャリブレーションと識別性能を向上させるのにどの程度有効か？
• RQ3 反事実推定と治療効果分析を1つのパイプラインに統合することは、臨床意思決定支援においてどの程度実現可能か？
• RQ4 打ち切り付きデータにおける時間-イベント予測において、生存損失関数を用いた深層学習モデルは、従来の手法を上回る性能を示すか？
• RQ5 提案されたツールは、打ち切り率や分布シフトが異なる多様な臨床データセットにおいて、どの程度一般化可能か？

主な発見

• ドメインシフトを重要度重み付けで補正した後、ルイジアナ州では1年間の死亡予測のAUCが0.8398から0.8449に向上し、グレATER キャリフォルニア州では0.8598から0.8603に向上した。
• 調整後、ルイジアナ州の5年間死亡予測のブライアースコアは0.1154から0.1148に、グレATER キャリフォルニア州では0.1312から0.1307に低下し、キャリブレーションの向上が示された。
• 重要度重み付けを施したコックスモデルは、1年、2年、5年予測の全時間スケールで、補正なしモデルに比べて優れた識別性能とキャリブレーションを示した。
• 本パッケージは、直感的でscikit-learnに類似したAPIを用いて、反事実推定や治療効果分析を含む複雑な生存パイプラインの迅速なプロトタイピングを可能にした。
• SEERのがん研究データを用いた実世界の事例研究により、auton-survival が最小限のコード量で打ち切り付き生存時間アウトカムのエンドツーエンド分析を可能にし、高い再現性を示した。
• 生存指標と評価ツールを統合した深層学習モデル（例：DCPH）の導入により、複雑な臨床データに対するスケーラブルで非線形なモデリングが可能になった。