[論文レビュー] Stable variable selection for right censored data: comparison of methods

Marie Walschaerts, Eve Leconte+1 more|arXiv (Cornell University)|Mar 22, 2012

Statistical Methods and Inference参考文献 40被引用数 8

ひとこと要約

本稿は、右側切断生存データにおける高次元変数選択のためのブートストラップに基づく安定化手法を提案し、比較する。コックス比例ハザードモデルと生存木を焦点としている。ブートストラップLassoによるコックスモデルと、ノードレベルの安定化を施した生存木が、予測精度と臨床的解釈可能性の両立を図る強力なバランスを提供しており、特に低サンプル設定においても競争力のある性能を維持しながら、ランダム生存フォレストよりも解釈可能性に優れている。

ABSTRACT

The instability in the selection of models is a major concern with data sets containing a large number of covariates. This paper deals with variable selection methodology in the case of high-dimensional problems where the response variable can be right censored. We focuse on new stable variable selection methods based on bootstrap for two methodologies: the Cox proportional hazard model and survival trees. As far as the Cox model is concerned, we investigate the bootstrapping applied to two variable selection techniques: the stepwise algorithm based on the AIC criterion and the L1-penalization of Lasso. Regarding survival trees, we review two methodologies: the bootstrap node-level stabilization and random survival forests. We apply these different approaches to two real data sets. We compare the methods on the prediction error rate based on the Harrell concordance index and the relevance of the interpretation of the corresponding selected models. The aim is to find a compromise between a good prediction performance and ease to interpretation for clinicians. Results suggest that in the case of a small number of individuals, a bootstrapping adapted to L1-penalization in the Cox model or a bootstrap node-level stabilization in survival trees give a good alternative to the random survival forest methodology, known to give the smallest prediction error rate but difficult to interprete by non-statisticians. In a clinical perspective, the complementarity between the methods based on the Cox model and those based on survival trees would permit to built reliable models easy to interprete by the clinician.

研究の動機と目的

• 右側切断を伴う高次元生存データにおける変数選択の不安定性を解消すること。
• コックスモデルと生存木におけるブートストラップに基づく安定化手法の評価を通じて、モデルの信頼性と解釈可能性の向上を図ること。
• 実際の乳がんおよび不妊症データセットを用いて、予測性能と臨床的解釈可能性を各手法間で比較すること。
• 臨床医が使いやすいように、予測精度と解釈のしやすさの間の実用的妥協点を同定すること。

提案手法

• コックスモデルにおけるLasso罰則にブートストラップを適用し、変数選択の安定化を図る。これをBLS（Bootstrap Lasso Selection）と呼ぶ。
• 生存木におけるノードレベルのブートストラップ安定化（BSS）を用い、過学習を軽減し、選択の安定性を向上させる。
• 予測性能のベンチマークとしてランダム生存フォレスト（RSF）を用いる。
• ステップワイズAICベースの選択と単一の生存木をベースライン手法として適用する。
• 予測誤差率の評価にハラールの concordance 指数を用いる。
• 2つの実データセット（古典的な乳がん遺伝子発現データセットと、複雑な共変量を有するオリジナルの不妊症データセット）を用いて結果を検証する。

実験結果

リサーチクエスチョン

• RQ1 ブートストラップは、高次元の右側切断生存データにおける変数選択の安定性をどのように向上させるか？
• RQ2 予測精度と臨床的解釈可能性の両面で、コックスベースの手法と木ベースの手法のどちらがより良い妥協点を提供するか？
• RQ3 ノードレベルのブートストラップ安定化は、標準の生存木やランダム生存フォレストに比べ、解釈可能性を向上させるが、性能を損なわないか？
• RQ4 イベント数が共変量の数に比べて少ないデータセットでは、さまざまな安定化手法はどのように性能を発揮するか？
• RQ5 ブートストラップに基づく手法は、生殖医学分野における臨床的関連要因（例：女性の年齢、不妊期間）を信頼性を持って同定できるか？

主な発見

• BLS手法（コックスモデルにおけるブートストラップLasso）は、ランダム生存フォレストと同等の予測誤差率を達成しながら、一意の解釈可能なモデルを生成した。これは臨床応用に最適である。
• 生存木におけるノードレベルのブートストラップ安定化（BSS）は、イベント数が少ない乳がんデータセットでは性能向上が見られなかったが、十分なサンプルサイズを有する不妊症データセットでは有望な結果を示した。
• BNLS（ブートストラップノードレベル安定化）手順は、いずれのデータセットでも単一の生存木を上回らなかった。これは、複雑性パラメータのチューニングが困難だった可能性がある。
• すべての手法が、不妊症データセットにおいて女性の年齢＞34.5歳および不妊期間＞33.5か月を重要な予測因子として同定した。これは臨床的妥当性を裏付けている。
• 男性要因（例：精巣静脈路拡張、精巣体積）は、BLS、BSS、BNLSのすべての手法で一貫して選択された。これは生物学的関連性を示しており、過去の研究ではしばしば無視されていた要因である。
• 本研究は、コックスベースと木ベースの手法を相補的に用いることで、それぞれの強み（予測精度と解釈可能性）を最大限に活かせるべきだと結論づけている。