[論文レビュー] BITES: Balanced Individual Treatment Effect for Survival data

Stefan Schrod, Andreas Schäfer+8 more|arXiv (Cornell University)|Jan 1, 2022

Statistical Methods in Clinical Trials被引用数 4

ひとこと要約

BITES は、潜在表現空間における治療群と対照群の統合確率測度（IPM）に基づくバランス化と治療特異のコックス比例ハザードモデルを組み合わせることで、生存データにおける個別治療効果（ITE）を推定する画期的な深層学習フレームワークである。シミュレーションおよび実世界の乳がんデータにおいて、最先端の手法を上回り、治療提案の正確性と生存予後を向上させるとともに、SHAP値を用いた解釈可能性のある予測を可能にする。

ABSTRACT

Estimating the effects of interventions on patient outcome is one of the key aspects of personalized medicine. Their inference is often challenged by the fact that the training data comprises only the outcome for the administered treatment, and not for alternative treatments (the so-called counterfactual outcomes). Several methods were suggested for this scenario based on observational data, i.e.~data where the intervention was not applied randomly, for both continuous and binary outcome variables. However, patient outcome is often recorded in terms of time-to-event data, comprising right-censored event times if an event does not occur within the observation period. Albeit their enormous importance, time-to-event data is rarely used for treatment optimization. We suggest an approach named BITES (Balanced Individual Treatment Effect for Survival data), which combines a treatment-specific semi-parametric Cox loss with a treatment-balanced deep neural network; i.e.~we regularize differences between treated and non-treated patients using Integral Probability Metrics (IPM). We show in simulation studies that this approach outperforms the state of the art. Further, we demonstrate in an application to a cohort of breast cancer patients that hormone treatment can be optimized based on six routine parameters. We successfully validated this finding in an independent cohort. BITES is provided as an easy-to-use python implementation.

研究の動機と目的

• 観察された反事後的結果が得られない時間発生データにおける個別治療効果（ITE）推定の課題に対処すること。
• 既存手法が高次元設定における治療群のバランスを十分にとれず、打ち切り生存データを適切に扱えないという制限を克服すること。
• 観察的生存研究における個人化治療最適化のためのスケーラブルで解釈可能かつ頑健なフレームワークの開発。
• 実世界の乳がんデータを用いた手法の妥当性評価と、最適化されたホルモン療法の提案による生存予後改善の実証。

提案手法

• BITES は、個別化治療効果の生存予後推定のために、治療特異の半パラメトリックコックスモデルと深層ニューラルネットワークを統合する。
• 治療群と非治療群の潜在表現のバランスを促進するために、統合確率測度（IPM）を用いて正則化を行う。
• 二重ヘッドアーキテクチャを採用：一方のヘッドは治療群ごとの生存予後を予測し、もう一方は敵対的訓練によりバランスの取れた表現を学習する。
• コックス部分尤度による生存モデリングとIPMに基づく正則化を組み合わせたハイブリッド損失関数を採用し、治療群間の分布差を最小化する。
• バックプロパゲーションを用いたエンドツーエンド学習を可能とし、予測性能と治療バランスの共同最適化を実現する。
• SHAP（SHapley Additive exPlanations）を用いて特徴量の寄与度を評価することで、解釈性を向上させ、異なる治療選択肢における個別リスク予測への影響を明らかにする。

実験結果

リサーチクエスチョン

• RQ1 打切り結果と治療選択バイアスを考慮しつつ、時間発生データにおける個別治療効果を効果的に推定できるか、深層学習モデルはその能力を有するか？
• RQ2 治療群と非治療群の潜在表現におけるIPMに基づくバランス化は、生存解析におけるITE推定の正確性と公平性をどのように向上させるか？
• RQ3 シミュレーションおよび実世界の生存データにおいて、BITES はハラールのCインデックス、PEHE、治療提案の正答率という指標で、既存の最先端手法をどの程度上回るか？
• RQ4 モデルの治療提案戦略は、特に乳がんホルモン療法において、独立した検証コhortで改善された生存予後をもたらすか？
• RQ5 モデルの予測はどの程度透明性があり解釈可能か？また、SHAP値は臨床的特徴が個別治療意思決定に与える影響を効果的に明らかにできるか？

主な発見

• シミュレーション研究において、BITES は最先端の手法に比べ、ハラールのCインデックス、治療割り当ての正確性、PEHE において優れた性能を示した。
• GBSG-2 乳がんデータセットにおいて、BITES は83.4％の患者に対してホルモン療法を提案したが、コックス回帰とDeepSurvはそれぞれ100％の患者に治療を提案した。
• BITES の推薦に従った群は、テストセットにおける治療群よりも良好な生存を示したが、有意差は認められなかった（制御済みテストセットにおけるログランク検定のp値 = 0.000016）。
• BITES は優れた解釈性を示した：SHAP解析により、ホルモン療法が閉経後状態の否定的生存影響を軽減し、高リスク腫瘍グレード（3級）と関連するリスクを増幅することが明らかになった。
• 独立したGBSG-2テストセットにおいて、BITES のCインデックスは0.666であり、予測性能が非常に高い水準に達していた。
• 独立コhortでの妥当性評価により、BITES に基づく治療提案が改善された生存予後と関連していることが確認され、臨床的有用性が示された。