[論文レビュー] Neural ODEs for Multi-State Survival Analysis.

Stefan Groha, Sebastian M. Schmon+1 more|arXiv (Cornell University)|Jun 8, 2020

Machine Learning in Healthcare参考文献 4被引用数 4

ひとこと要約

本稿では、コルモゴロフ前向き方程式を解くことで、多状態生存過程をモデル化するためのニューラル常微分方程式（Neural ODE）を提案する。これにより、個々の被験者に特有の軌道を捉えることで、柔軟で非線形なハザードレート推定が可能となる。さらに、変分潜在変数モデルを統合し、原因別ハザードレートの不確実性を定量化する。ベンチマーク生存データセットにおいて、最先端の性能を達成した。

ABSTRACT

Survival models are a popular tool for the analysis of time to event data with applications in medicine, engineering, economics and many more. Advances like the Cox proportional hazard model have enabled researchers to better describe hazard rates for the occurrence of single fatal events, but are limited by modeling assumptions, like proportionality of hazard rates and linear effects. Moreover, common phenomena are often better described through multiple states, for example, the progress of a disease might be modeled as healthy, sick and dead instead of healthy and dead, where the competing nature of death and disease has to be taken into account. Also, individual characteristics can vary significantly between observational units, like patients, resulting in idiosyncratic hazard rates and different disease trajectories. These considerations require flexible modeling assumptions. Current standard models, however, are often ill-suited for such an analysis. To overcome these issues, we propose the use of neural ordinary differential equations as a flexible and general method for estimating multi-state survival models by directly solving the Kolmogorov forward equations. To quantify the uncertainty in the resulting individual cause-specific hazard rates, we further introduce a variational latent variable model. We show that our model exhibits state-of-the-art performance on popular survival data sets and demonstrate its efficacy in a multi-state setting.

研究の動機と目的

• 比例ハザード仮定や線形効果に起因する従来の生存モデルの限界に対処すること。これらは、複雑な非線形な疾患進行を捉えることができない。
• 健康 → 病気 → 死亡といった多状態プロセスをモデル化すること。ここで、競合リスクと状態遷移は、正確な分析に不可欠である。
• 患者などの観察単位における個々の疾患経路の特徴を捉えることで、個々の被験者に特有のハザードレート推定を可能とすること。
• 原因別ハザードレートの推定における不確実性を定量化するための変分潜在変数モデルを導入すること。
• コルモゴロフ前向き方程式を直接解くことで、動的生存プロセスのモデリングを改善する、一般的で柔軟なフレームワークの開発

提案手法

• 多状態生存モデルにおける遷移強度関数をパラメータライズするために、ニューラル常微分方程式（Neural ODE）を用いる。
• Neural ODEを介してコルモゴロフ前向き方程式を数値的に解き、状態確率の時間的変化をモデル化する。
• 個々の被験者に特有の原因別ハザードレートにおける不確実性を推定するための変分潜在変数モデルを導入する。
• 潜在空間をモデル化するために、連続的正規化フローに類似した構造を採用し、柔軟かつ微分可能な密度推定を可能にする。
• 尤度に基づく最適化を用いて、モデルをエンドツーエンドで訓練することで、遷移ダイナミクスと不確実性の同時推定を可能にする。
• Neural ODEアーキテクチャを通じて、患者ごとに特徴的な潜在表現を学習し、個々の異質性をハザードレートに影響させる

実験結果

リサーチクエスチョン

• RQ1 標準的なパラメトリックモデルと比較して、Neural ODEは多状態生存プロセスにおける複雑で非線形なハザードレートダイナミクスを効果的にモデル化できるか？
• RQ2 変分潜在変数モデルは、多状態フレームワーク内での個々の原因別ハザードレートにおける不確実性をどの程度正確に定量化できるか？
• RQ3 提案手法は、実世界の多状態生存データセットにおいて、既存の生存モデルをどの程度上回るか？
• RQ4 比例ハザード仮定や線形効果を仮定せずに、個々の疾患経路と競合リスクをモデルが捉えることができるか？
• RQ5 モデルの誤指定や多様なデータ構造に対する多状態生存解析における、この手法のロバストネスはいかがなものか？

主な発見

• 提案されたNeural ODEベースのモデルは、一般的な生存データセットにおいて最先端の性能を達成し、予測精度において標準的手法を上回った。
• 変分潜在変数モデルの統合により、個々の被験者に特有の原因別ハザードレートにおける不確実性の信頼性ある定量化が可能になった。
• モデルは、比例ハザードを仮定せず、非線形的で時間に依存するハザードレートと個々の被験者に特有の軌道を効果的に捉えた。
• Neural ODEを用いてコルモゴロフ前向き方程式を解くことで、状態遷移を連続的かつ微分可能なフレームワークでモデル化した。
• 複数の状態間の遷移を同時にモデル化することで、疾病進行と死亡といった多状態プロセスにおける競合リスクを効果的に扱った。
• 実証的結果から、多様な生存データ構造にわたるモデルの柔軟性と一般化能力が示された。