[論文レビュー] Deep Kernel Survival Analysis and Subject-Specific Survival Time Prediction Intervals

George H. Chen|arXiv (Cornell University)|Jul 25, 2020

Domain Adaptation and Few-Shot Learning被引用数 6

ひとこと要約

本論文は、カーネル生存分析のためのカーネル関数を学習する深層ニューラルネットワークフレームワークを導入し、統計的に妥当な予測区間を提供することで、被験者固有の生存予測を可能にしている。予測区間が異なる手法間での不確実性を定量化し、新たな性能指標として機能することを示しており、既存のモデルと同等の精度を達成している。

ABSTRACT

Kernel survival analysis methods predict subject-specific survival curves and times using information about which training subjects are most similar to a test subject. These most similar training subjects could serve as forecast evidence. How similar any two subjects are is given by the kernel function. In this paper, we present the first neural network framework that learns which kernel functions to use in kernel survival analysis. We also show how to use kernel functions to construct prediction intervals of survival time estimates that are statistically valid for individuals similar to a test subject. These prediction intervals can use any kernel function, such as ones learned using our neural kernel learning framework or using random survival forests. Our experiments show that our neural kernel survival estimators are competitive with a variety of existing survival analysis methods, and that our prediction intervals can help compare different methods' uncertainties, even for estimators that do not use kernels. In particular, these prediction interval widths can be used as a new performance metric for survival analysis methods.

研究の動機と目的

• カーネル生存分析の最適なカーネル関数を学習するニューラルネットワークフレームワークを開発し、被験者固有の生存予測を改善すること。
• 分割コンフォーマル予測を用いて、個々の被験者レベルで統計的に妥当な生存時間の予測区間を構築すること。
• カーネルに基づかない手法を含め、多様な生存分析手法間での不確実性の定量を可能にすること。
• 実際の医療データセットを用いて、深層カーネル生存推定器およびその予測区間の性能を評価すること。
• 予測区間幅を新たな指標として導入し、生存モデル間の不確実性を比較可能にする。

提案手法

• 分類問題におけるニューラルカーネル学習を生存分析に適応させ、ベースとなるニューラルネットワークを用いて被験者を埋め込み空間にマップし、ユークリッド距離によりカーネル類似度を計算する。
• 学習済みカーネル関数を用いてベランの条件付きカプラン＝マイヤー推定量を適用し、被験者固有の生存曲線と生存時間を予測する。
• 分割コンフォーマル予測およびその重み付き変種を用いて、生存時間推定値のマージナルかつ局所的に妥当な予測区間を生成する。
• ユーザーが指定する被覆率レベル α を用いて予測区間をキャリブレーションし、実効被覆確率が名目レベルと一致することを保証する。
• マージナルおよび局所的妥当性を両立：局所的区間は、カーネル関数を介してテスト被験者に類似する被験者群の平均をとる。
• 収束性および性能の向上を図るため、ランダム生存フォレストや他のニューラル生存モデルを用いてウォームスタート訓練を可能にする。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークフレームワークは、カーネル生存分析のためのカーネル関数を効果的に学習可能であり、予測精度を向上させることができるか？
• RQ2 カーネルに基づくコンフォーマル予測を用いて構築された予測区間は、個々の被験者に対して統計的に妥当であるか？
• RQ3 異なる生存分析手法間での予測区間幅はどのように比較できるか？また、これらは不確実性の比較指標として機能するか？
• RQ4 局所的に妥当な予測区間は、マージナルに妥当なものと比較して、臨床的解釈性を向上させるか？
• RQ5 予測区間の構築のために別個にカーネルを学習することで、本手法がカーネルに基づかない生存推定器にも適用可能か？

主な発見

• ランダム生存フォレストの初期化を施した nks-res-diag や nks-mlp といった提案された深層カーネル生存推定器は、既存の手法と同等の C-index 値を達成している。
• 分割コンフォーマル予測を用いて構築された予測区間は、ユーザーが指定した被覆率レベル（例：α = 0.1 の場合に 90%）と実効被覆確率が非常に近接していることが確認された。
• 予測区間幅は、カーネル関数を用いないモデルに対しても、異なる生存モデル間の不確実性を比較するための指標として利用可能である。
• 局所的に妥当な予測区間は、類似する患者を基準に不確実性を反映しているため、個別臨床意思決定においてより情報量が多い。
• 類似する訓練被験者を考慮した予測区間幅の分析により、予測不確実性が高めの被験者を同定可能である。
• 統計的妥当性は保証されているが、予測区間幅は依然として広く、不確実性のキャリブレーションの改善の余地がある。