[論文レビュー] Deep Survival: A Deep Cox Proportional Hazards Network.

Jared Katzman, Uri Shaham+4 more|arXiv (Cornell University)|Jun 2, 2016

Machine Learning in Healthcare参考文献 28被引用数 82

ひとこと要約

この論文は、線形および非線形リスク関数をモデル化するためにニューラルネットワークを活用する、コックス比例ハザードモデルのディープラーニング拡張版であるDeepSurvを紹介している。予測精度において従来のコックスモデルや他の生存モデルを上回り、治療群埋め込みを用いて個別化された治療提案を可能にする。オープンソースのPython実装が提供されている。

ABSTRACT

Previous research has shown that neural networks can model survival data in situations in which some patients' death times are unknown, e.g. right-censored. However, neural networks have rarely been shown to outperform their linear counterparts such as the Cox proportional hazards model. In this paper, we run simulated experiments and use real survival data to build upon the risk-regression architecture proposed by Faraggi and Simon. We demonstrate that our model, DeepSurv, not only works as well as other survival models but actually outperforms in predictive ability on survival data with linear and nonlinear risk functions. We then show that the neural network can also serve as a recommender system by including a categorical variable representing a treatment group. This can be used to provide personalized treatment recommendations based on an individual's calculated risk. We provide an open source Python module that implements these methods in order to advance research on deep learning and survival analysis.

研究の動機と目的

• コックス回帰のような線形モデルと比較して、生存データにおける予測性能を向上させるディープラーニングモデルの開発。
• 生存分析における線形および非線形ハザード関数のモデリングに、ニューラルネットワークの有効性を実証すること。
• 個別化された治療提案を可能にするために、モデルに治療群変数を統合すること。
• 生存分析におけるディープラーニング研究を促進するため、オープンソース実装を提供すること。

提案手法

• ファラジとサイモンが提唱したリスク回帰アーキテクチャを、生存モデリングに適したディープニューラルネットワークフレームワークに変換する。
• 複雑な非線形関係を、予測変数とハザード関数の間で学習するために、深層順伝播ニューラルネットワークを用いる。
• 右打ち切り生存データ上でネットワークを訓練するために、コックス比例ハザード損失関数を適用する。
• 分類的治療群変数を学習可能な埋め込みとして統合し、個別化されたリスク予測と治療効果推定を可能にする。
• 過学習を防ぐために、正則化を施した標準的なディープラーニング最適化手法（例：確率的勾配降下法）を採用する。
• シミュレート済みおよび実世界のデータセット上で、コンcordance index（c-index）および他の標準的な生存指標を用いてモデル性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 ディープニューラルネットワークは、標準的なコックス比例ハザードモデルよりも生存予後を予測する性能を向上させることができるか？
• RQ2 非線形リスク関数を有する生存データに対して、提案されたディープラーニングモデルは線形モデルと比較してどの程度の性能を示すか？
• RQ3 治療群情報の統合によって、モデルはどの程度推薦システムとして機能するか？
• RQ4 治療群埋め込みの導入により、個別化されたリスク予測および治療選択が向上するか？

主な発見

• DeepSurvは、線形および非線形ハザード関数を有するシミュレート済みデータセットにおいて、標準的なコックス比例ハザードモデルを上回る予測精度を達成した。
• ベースラインモデルと比較して、より高いコンコードランスインデックスを達成しており、生存時間の順序付けが優れていることを示している。
• 治療群をカテゴリカル埋め込みとして統合することで、モデルは個別化されたリスク予測を生成し、治療の提案を支援するようになった。
• 実世界の生存データセットにおいても、モデルは頑健な性能を維持しており、合成データを超えた一般化能力を示している。
• オープンソースのPython実装により、再現性が確保され、生存分析におけるディープラーニング研究を促進している。
• 結果から、線形モデルが失敗するような複雑な生存パターンに対しても、ディープニューラルネットワークが効果的にモデリングできることを確認した。