[論文レビュー] Surrogate Assisted Semi-supervised Inference for High Dimensional Risk Prediction

Jue Hou, Zijian Guo+1 more|PubMed|May 4, 2021

Genetic Associations and Epidemiology参考文献 39被引用数 5

ひとこと要約

本論文は、予測子と結果の代用指標を備えた大規模なラベルなしデータセットと、真の結果を備えた小規模なラベル付きデータセットを用いて、高次元リスク予測のためのサーヴィエイント支援半教師付き学習（SAS）手法を提案する。モーメント条件と1ステップバイアス補正を組み合わせたスパース補完モデルにより、モデル誤指定や密度の高いリスクモデルに対しても有効な推論が可能となり、シミュレーションおよび2型糖尿病の実世界における遺伝的リスク予測において優れた性能を示した。

ABSTRACT

Risk modeling with electronic health records (EHR) data is challenging due to no direct observations of the disease outcome and the high-dimensional predictors. In this paper, we develop a surrogate assisted semi-supervised learning approach, leveraging small labeled data with annotated outcomes and extensive unlabeled data of outcome surrogates and high-dimensional predictors. We propose to impute the unobserved outcomes by constructing a sparse imputation model with outcome surrogates and high-dimensional predictors. We further conduct a one-step bias correction to enable interval estimation for the risk prediction. Our inference procedure is valid even if both the imputation and risk prediction models are misspecified. Our novel way of ultilizing unlabelled data enables the high-dimensional statistical inference for the challenging setting with a dense risk prediction model. We present an extensive simulation study to demonstrate the superiority of our approach compared to existing supervised methods. We apply the method to genetic risk prediction of type-2 diabetes mellitus using an EHR biobank cohort.

研究の動機と目的

• 真の疾患結果が観測されておらず、取得に費用がかかる電子的健康記録（EHR）における高次元リスク予測の課題に対処すること。
• 予測子と結果の代用指標を備えたラベルなしデータ、および真の結果を備えた小規模なラベル付きデータを活用する半教師付き学習フレームワークの開発。
• 基礎となるリスクモデルが密度的であるか誤指定されている場合でも、リスク予測に対する有効な統計的推論を保証すること。
• EHRバイオバンクデータを用いた、2型糖尿病のような複雑疾患における遺伝的リスク予測の精度とロバスト性の向上。

提案手法

• SAS手法は、大規模なラベルなしデータ内での未観測真の結果を、代用指標と予測子から推定するスパースな作業補完モデルを用いる。
• 補完モデルの誤指定に対してロバスト性を確保するため、モーメント条件を組み込む。
• 予測リスクの有効な信頼区間推定を可能にするために、1ステップバイアス補正を適用する。
• 代用結果（例：ICDコードやNLPの記載）と高次元予測子を組み合わせることで、補完の正確性を向上させる。
• 2段階推定手順を採用する：まず、代用指標と予測子を用いて欠損結果を補完する。次に、最終的なリスク予測におけるバイアスを補正する。
• 高次元設定下での理論的保証を導出する。これには、推定リスク係数の一貫性と漸近正規性が含まれる。

実験結果

リサーチクエスチョン

• RQ1 大規模なラベルなしEHRデータに結果の代用指標を備えた半教師付き学習アプローチは、高次元リスク予測の向上に効果的であるか？
• RQ2 真のリスクモデルが密度的または誤指定されている場合でも、有効な統計的推論をどのように維持できるか？
• RQ3 ラベル付きデータのみを用いた教師あり手法と比較して、代用指標を組み込むことで予測精度がどの程度向上するか？
• RQ4 高次元設定下で、リスク予測に対する信頼区間推定が信頼性を持って得られるか？
• RQ5 SAS手法は、2型糖尿病のような複雑疾患における実世界の遺伝的リスク予測でどの程度の性能を示すか？

主な発見

• 基礎となるリスクモデルが密度的で、作業補完モデルが誤指定されている場合でも、SAS手順は予測リスクに対する有効な推論を提供する。
• シミュレーションでは、SAS手法は従来の教師あり手法と比較して、予測精度と信頼区間のカバレッジの両面で優れた性能を示した。
• 実EHRデータでは、ICDコードの陽性予測値（PPV）が48%、NLPによるT2DM記載のPPVが19%に達し、代用指標支援補正の必要性を示した。
• 1ステップバイアス補正により推定バイアスが著しく低減され、高次元リスク予測における正確な信頼区間推定が可能になった。
• さまざまなモデル誤指定と高次元設定下でも、SAS手法はロバストな性能を示し、理論的の一貫性と漸近正規性が確立された。
• バイオバンクコhortへの応用により、標準的な教師あり手法と比較して、2型糖尿病の遺伝的リスク予測が向上した。