[論文レビュー] Balanced Random Survival Forests for Extremely Unbalanced, Right Censored Data

Kahkashan Afrin, Gurudev Illangovan+2 more|arXiv (Cornell University)|Mar 24, 2018

Machine Learning in Healthcare参考文献 21被引用数 8

ひとこと要約

本稿では、右側打ち切りデータにおいて極度に不均衡な生存モデルの精度を向上させるために、合成少数サンプル化とランダム生存フォレストを統合した新規手法、バランス型ランダム生存フォレスト（BRSF）を提案する。BRSFは、最適化されたコックスモデルおよび標準のRSFモデルと比較して、予測誤差を平均で55％削減し、救命医療および臨床データセットにおける生存と死亡クラスの区別性能を顕著に向上させる。

ABSTRACT

Accuracies of survival models for life expectancy prediction as well as critical-care applications are significantly compromised due to the sparsity of samples and extreme imbalance between the survival (usually, the majority) and mortality class sizes. While a recent random survival forest (RSF) model overcomes the limitations of the proportional hazard assumption, an imbalance in the data results in an underestimation (overestimation) of the hazard of the mortality (survival) classes. A balanced random survival forests (BRSF) model, based on training the RSF model with data generated from a synthetic minority sampling scheme is presented to address this gap. Theoretical results on the effect of balancing on prediction accuracies in BRSF are reported. Benchmarking studies were conducted using five datasets with different levels of class imbalance from public repositories and an imbalanced dataset of 267 acute cardiac patients, collected at the Heart, Artery, and Vein Center of Fresno, CA. Investigations suggest that BRSF provides an improved discriminatory strength between the survival and the mortality classes. It outperformed both optimized Cox (without and with balancing) and RSF with an average reduction of 55\% in the prediction error over the next best alternative.

研究の動機と目的

• 生存分析における極端なクラス不均衡の問題に取り組む。これは、死亡イベントが打ち切り（生存）ケースに比べて非常にまれであるためである。
• 標準のRSFモデルで一般的に見られる、少数（死亡）クラスにおけるハザードの低減推定と、多数（生存）クラスにおける過剰推定を是正する。
• 急性心臓ケアや腫瘍学など、高リスクな臨床応用分野における生存モデルの予測精度と区別力の強化を図る。
• 生存関数推定とブライアースコア性能の整合性を保ちつつ、バランス化の理論的根拠を提供するアプローチを開発する。
• 実世界およびベンチマークデータセットにおける極度に不均衡な生存データに対して、標準RSFおよび最適化されたコックス比例ハザードモデルと比較してBRSFの優位性を実証する。

提案手法

• 訓練の前段階で、生存データにおける少数（死亡）クラスと多数（生存）クラスをバランスさせるために、合成少数サンプル化（SMOTE）を適用する。
• バギングされたサンプルと各ノードにおけるランダム特徴選択を活用して、分散とバイアスを低減するバランス済みデータセット上でランダム生存フォレスト（RSF）を訓練する。
• 予測誤差の主な評価指標としてブライアースコア（BS）を用い、不均衡な状況下でのバランス化がBSに与える影響を理論的に導出する。
• バランス化後のブライアースコアの変化に関する理論的近似を導出し、バランス状態では ${\rho}^{\prime}(t) < \rho(t)$ が成り立つことを示す。
• RSFノード内ではネルソン＝アーレン推定量を用いてハザード関数をモデル化し、生存確率は $\hat{S}(t) = e^{-\hat{H}(t)}$ として推定する。
• 5つの公開ベンチマークデータセットおよびフレズノ心臓・動脈・静脈センターの267例の急性心疾患患者からなる実世界データセットに本手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 右側打ち切り生存データにおけるクラス不均衡は、ランダム生存フォレストの予測精度にどのように影響するか？
• RQ2 合成少数サンプル化は、極度に不均衡なデータセットにおける生存モデルの区別性能を向上させることができるか？
• RQ3 バランス化が、とりわけ少数（死亡）クラスの予測に与えるブライアースコアへの理論的影響は何か？
• RQ4 BRSFは、標準RSFおよび最適化されたコックス比例ハザードモデルと比較して、不均衡な生存データセットにおいてどの程度の性能を示すか？
• RQ5 訓練データのバランス化は、臨床現場における生存予後の予測誤差に測定可能な低減をもたらすか？

主な発見

• BRSFは、複数のデータセットにおいて、次善のモデル（最適化されたコックスモデルまたは標準RSF）と比較して、平均で55％の予測誤差低減を達成した。
• 理論的分析により、バランス化がブライアースコアを低減することを証明し、$\rho^{\prime}(t) < \rho(t)$ が成り立つことから、バランス化後の予測精度向上が示された。
• BRSFは、生存と死亡クラスの区別力を顕著に向上させ、死亡イベントが2～10％程度のデータセットにおいて特に顕著である。
• 本手法は、がんや肝疾患リポジトリからのデータセットを含む、すべてのベンチマークデータセットで標準RSFおよび最適化されたコックスモデルを上回った。
• 267例の急性心疾患患者からなる実世界データセットにおける実証的結果から、BRSFはベースラインモデルよりもより正確な生存確率推定を提供することが確認された。
• 改善効果は、臨床意思決定においてハザード推定が極めて重要な早期および中期生存予測において特に顕著である。