[論文レビュー] ggRandomForests: Exploring Random Forest Survival

John Ehrlinger|arXiv (Cornell University)|Dec 28, 2016

Genetics and Plant Breeding参考文献 24被引用数 28

ひとこと要約

この論文は、randomForestSRCを用いて構築されたランダムサバイバルフォレスト（RSF）の解釈可能性を向上させるためのggRandomForests Rパッケージを紹介する。ggplot2を用いて変数重要度、最小深さ、従属プロット、および条件付き相互作用を視覚的に探索可能であり、PBC肝疾患データセットを用いたインタラクティブでカスタマイズ可能な可視化により、生存予測の理解が向上することを示している。

ABSTRACT

Random forest (Leo Breiman 2001a) (RF) is a non-parametric statistical method requiring no distributional assumptions on covariate relation to the response. RF is a robust, nonlinear technique that optimizes predictive accuracy by fitting an ensemble of trees to stabilize model estimates. Random survival forests (RSF) (Ishwaran and Kogalur 2007; Ishwaran et al. 2008) are an extension of Breimans RF techniques allowing efficient nonparametric analysis of time to event data. The randomForestSRC package (Ishwaran and Kogalur 2014) is a unified treatment of Breimans random forest for survival, regression and classification problems. Predictive accuracy makes RF an attractive alternative to parametric models, though complexity and interpretability of the forest hinder wider application of the method. We introduce the ggRandomForests package, tools for visually understand random forest models grown in R (R Core Team 2014) with the randomForestSRC package. The ggRandomForests package is structured to extract intermediate data objects from randomForestSRC objects and generate figures using the ggplot2 (Wickham 2009) graphics package. This document is structured as a tutorial for building random forest for survival with the randomForestSRC package and using the ggRandomForests package for investigating how the forest is constructed. We analyse the Primary Biliary Cirrhosis of the liver data from a clinical trial at the Mayo Clinic (Fleming and Harrington 1991). Our aim is to demonstrate the strength of using Random Forest methods for both prediction and information retrieval, specifically in time to event data settings.

研究の動機と目的

• 生存予測のための複雑なランダムサバイバルフォレストモデルにおける解釈可能性の課題に対処すること。
• データ抽出と可視化を分離することで、より高いユーザー制御を可能にするモジュラーで拡張可能なRパッケージ（ggRandomForests）の開発。
• 標準的でカスタマイズ可能なggplot2ベースの図を用いて、生存フォレストにおける変数重要度、最小深さ、従属構造の探索を可能にすること。
• 主な胆汁うっ血性肝硬変（PBC）データセットを用いて、これらのツールの有効性を示し、非線形的かつ非比例リスク効果を明らかにすること。
• 予測モデリングと解釈的分析の両方の分野で、ggRandomForestsとrandomForestSRCを統合するためのチュートリアルフレームワークの提供。

提案手法

• ggRandomForestsパッケージは、randomForestSRCのフォレストオブジェクトから中間データオブジェクトを抽出し、後続の可視化に用いる。
• 各可視化タイプに対して、自己完結的で変更可能なggplot2オブジェクトを生成するために、ggplot2グラフィックスシステムを用いる。
• 変数重要度（VIMP）と最小深さが計算され、生存予測への寄与に基づいて予測子をランク付けする。
• 変数従属および部分従属プロットが生成され、共変量と生存結果との間の周辺的および調整済み関係を可視化する。
• 条件付き従属プロット（コプロット）は、他の共変量の水準に条件付けた上で、変数間の相互作用を探索するために用いられる。
• パッケージは、ラベル付け、カラースキーム、スムージングパラメータなどの標準的なggplot2関数を用いたカスタム変更をサポートする。

実験結果

リサーチクエスチョン

• RQ1 生存モデリングにおける視覚的分析を通じて、ランダムサバイバルフォレストをどのようにしてより解釈可能にすることができるか？
• RQ2 VIMPと最小深さは、生存データにおいて同じ重要な予測子を同定する程度はどの程度か？
• RQ3 従属プロットを通じて、共変量と生存結果との間の非線形的および非比例リスク関係は、どのように特定できるか？
• RQ4 変数間の相互作用は生存予測にどのように影響するか。また、条件付き従属プロットを用いて効果的に可視化できるか？
• RQ5 ggRandomForestsパッケージは、Rにおけるモデル解釈とカスタム可視化の両方に対して、柔軟で拡張可能なワークフローを提供できるか？

主な発見

• 変数従属プロットは、血清ビリルビン（bili）が3年間のフォローアップで特に死亡リスクの上昇に関連していることを示し、非比例リスクを示唆した。
• 部分従属プロットは、ビリルビン、銅、プロトロンビン、および年齢の増加に伴い生存率が低下することを示した一方、アルブミンの増加は良好な生存と関連していた。
• 従属プロットにおけるローレススムージング曲線は、特にビリルビンとプロトロンビンにおいて非線形関係を示しており、これはパラメトリックモデルでは容易に捉えきれないものであった。
• 最小深さ分析により、ビリルビンとアルブミンが上位の予測子として特定され、臨床的期待とVIMPの順位と整合的であった。
• 条件付き従属プロットは、浮腫状態がより高い患者において、ビリルビンの生存リスクへの影響が強化されていることを示し、顕著な相互作用効果を示した。
• このパッケージは、一度の図内で複数の連続変数のパネル可視化を可能にし、共変量効果の比較的解釈を向上させた。