[論文レビュー] Individual Data Protected Integrative Regression Analysis of High-Dimensional Heterogeneous Data

Tianxi Cai, Molei Liu+1 more|arXiv (Cornell University)|Feb 16, 2019

Statistical Methods and Inference参考文献 60被引用数 8

ひとこと要約

本稿では、個人情報の漏洩を厳密に回避する条件下で、高次元かつ異種のデータを統合的に解析するための新規手法SHIR（Data-SHielding High-dimensional Integrative Regression）を提案する。分散された研究機関から得られる個別データを送信せずに要約統計量のみを集約することで、SHIRは完全データを用いた手法と同等の推定効率を達成し、一貫性のある変数選択を保証するとともに、理論的およびシミュレーションの両面でデバイアス補正に基づく分散手法を上回る性能を示す。

ABSTRACT

Evidence-based decision making often relies on meta-analyzing multiple studies, which enables more precise estimation and investigation of generalizability. Integrative analysis of multiple heterogeneous studies is, however, highly challenging in the ultra high-dimensional setting. The challenge is even more pronounced when the individual-level data cannot be shared across studies, known as DataSHIELD contraint. Under sparse regression models that are assumed to be similar yet not identical across studies, we propose in this paper a novel integrative estimation procedure for data-Shielding High-dimensional Integrative Regression (SHIR). SHIR protects individual data through summary-statistics-based integrating procedure, accommodates between-study heterogeneity in both the covariate distribution and model parameters, and attains consistent variable selection. Theoretically, SHIR is statistically more efficient than the existing distributed approaches that integrate debiased LASSO estimators from the local sites. Furthermore, the estimation error incurred by aggregating derived data is negligible compared to the statistical minimax rate and SHIR is shown to be asymptotically equivalent in estimation to the ideal estimator obtained by sharing all data. The finite-sample performance of our method is studied and compared with existing approaches via extensive simulation settings. We further illustrate the utility of SHIR to derive phenotyping algorithms for coronary artery disease using electronic health records data from multiple chronic disease cohorts.

研究の動機と目的

• 個人レベルのデータを共有できないというプライバシー制約のもとで、複数の研究から得られる高次元かつ異種のデータを統合的に統合する課題に対処すること。
• データプライバシーを保ちながら、正確な変数選択と回帰推定を可能にする統計的に効率的で通信量が少ない手法の開発。
• モデルの異質性を考慮しない、またはデバイアス補正手順に起因する効率の損失を生じる既存の分散学習手法の限界を克服すること。
• 完全なデータアクセスが可能な理想の推定量と同等の漸近的等価性を示す理論的保証を確立すること。
• 電子的健康記録（EHR）データを用いた複数コhortの研究において、虚血性心疾患の病態分類に応用可能な実世界の応用の有効性を示すこと。

提案手法

• SHIRは、個別データを転送しない要約統計量ベースの統合フレームワークを採用し、DataSHIELDのプライバシー制約に準拠する。
• 高次元回帰における共有構造を活用するため、複数の研究間で係数のサポートと大きさが類似するよう促す混合ペナルティ関数を用いる。
• 各研究機関の要約統計量に基づく統合最適化問題を定式化し、個別データの精度行列やデバイアス補正推定量の計算・送信を回避する。
• 各局所サイトで一度だけLASSO問題を解くことで、通信量と計算負荷を最小限に抑える。
• 理論的分析により、集約による推定誤差がミニマックスレートに比べて無視できるほど小さく、推定量が理想の完全データ推定量と漸近的に同等であることが示される。
• 標準的な正則化条件とスパarsity条件の下でスパースティス（sparsistency）が確立され、局所推定に比べて最小信号強度に関する仮定が弱い。

実験結果

リサーチクエスチョン

• RQ1 個人レベルのデータを共有せずに、高次元かつ異種の回帰データ統合において、完全データ分析と同等の推定効率を達成できるか？
• RQ2 プライバシー制約のもとで、複数の研究における予測変数の分布および回帰係数の異質性を効果的にモデル化・対処できるか？
• RQ3 要約統計量のみを用いるアプローチが、既存のデバイアス補正に基づく分散手法に比べ、統計的効率性および変数選択の一貫性において優れているか？
• RQ4 提案手法とすべての個人レベルデータを利用できる理想の推定量との間で理論的等価性を確立できるか？
• RQ5 超高次元設定下で、変数選択の一貫性（sparsistency）を保証する条件は何か？

主な発見

• SHIRは、ミニマックスレートに比べて推定誤差が無視できるほど小さく、DataSHIELD制約下でも高い統計的効率性を示す。
• SHIR推定量は、完全データアクセスが可能な理想の推定量と漸近的に同等であるため、最適な収束速度に達する。
• シミュレーションおよび実データの両方で、既存のデバイアス補正に基づく分散手法を上回る性能を示し、情報行列が密である場合に特に顕著である。
• 標準的な条件下でスパースティスが保証され、局所推定に比べて最小信号強度に関する仮定が弱い。
• 通信は1ラウンドのみで、各サイトでLASSOを1回だけ解くため、計算および通信の両面で効率的である。
• 多コhortのEHRデータを用いた病態分類応用において、SHIRは高い精度とプライバシー適合性を満たす、強固な予測モデルを的確に導出できた。