[論文レビュー] Deep Learning for Patient-Specific Kidney Graft Survival Analysis

Margaux Luck, Tristan Sylvain+3 more|PolyPublie (École Polytechnique de Montréal)|May 29, 2017

Machine Learning in Healthcare参考文献 11被引用数 56

ひとこと要約

本論文は、腎移植片の生存関数を直接モデル化する深層学習モデルを提案し、SRTRデータ上でCoxベースの手法よりも一致性指標（C-index）を高く達成します。イベント時間と順位を同時に予測し、Cox部分尤度の枠組みの下で扱われる検閲データや結びつきを処理します。

ABSTRACT

An accurate model of patient-specific kidney graft survival distributions can help to improve shared-decision making in the treatment and care of patients. In this paper, we propose a deep learning method that directly models the survival function instead of estimating the hazard function to predict survival times for graft patients based on the principle of multi-task learning. By learning to jointly predict the time of the event, and its rank in the cox partial log likelihood framework, our deep learning approach outperforms, in terms of survival time prediction quality and concordance index, other common methods for survival analysis, including the Cox Proportional Hazards model and a network trained on the cox partial log-likelihood.

研究の動機と目的

• 腎臓科ケアにおける共有意思決定を支援するための患者特異的 graft 生存モデリングを動機づける。
• 生存時間をハザードやリスクだけでなく直接予測する深層学習モデルを開発する。
• 生存時間予測と Cox 部分尤度の下でのランキングを組み合わせる多タスク学習を活用する。
• 大規模移植レジストリデータで標準的な生存モデルとベンチマークに対して評価する。

提案手法

• モデル入力はドナー-受療者および移植特徴で、ニューラルネットワークを通して処理される。
• 2出力アーキテクチャ：ボトルネックスカラー s^(1) が Cox 部分尤度のランキング損失に使用され、上位層は時系列にわたる生存確率を表す T 個の単位を持つ。
• 損失： (i) Efronの近似を用いた結びつきの Cox 部分尤度、(ii) 予測時間に対するランキング/アイソトニック回帰風の損失（検閲データを考慮）。
• 訓練はAdam、学習率 1e-5、バッチサイズ 32、正則化、ドロップアウト、バッチ正規化、勾配クリッピングを用い、ハイパーパラメータはランダム探索で調整。
• 評価は C-index および AUROC を用い、AUROC の計算における検 censored に対する適応を行う。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルが生存時間を直接予測することで、伝統的なハザードベースのモデルと比較して患者特異的 graft 生存予測を改善できるか。
• RQ2 多タスク学習（時間予測＋ランキング）が生存分析における一般化能力と C-index 性能を改善するか。
• RQ3 検閲データと結びつきの処理（Efronの近似と等分布風の損失） が予測精度とランキングにどのように影響するか。
• RQ4 実世界の SRTR 移植データや他の生存データセットでの方法の性能はどうなるか。

主な発見

Datasets	Cox Efron’s	MLP Efron’s	MLP rank	MLP Efron’s + rank
SRTR	0.6504	0.6535	0.6302	0.6550

• SRTRデータ上で本モデルは C-index 0.655 を達成し、Efronの損失を用いた Cox（0.6504）や他のベースライン（MLP with Efron’s 0.6535、MLP rank 0.6302、MLP with Efron’s + rank 0.6550）を上回った。
• 特徴量の前処理を大幅に必要とせず、多タスク学習により一般化性能が向上する利点がある。
• 時間ステップを跨いだ AUROC は初期の時点でより良い識別を示し、移植時にイベントが少ないため後半は低下する。データ拡張が graft 周辺で有効になる可能性が示唆される。
• 非線形のドナー年齢効果など、 graft 生存に関する解釈可能な洞察を提供する。例として、ドナー年齢 <21 は生存予測が高いことと関連。
• 他の6つの実世界データセットでも、いくつかのデータセットでベースラインを上回り、データセット間で最も高い C-index 値を太字で報告。