[論文レビュー] SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data

Alicia Curth, Changhee Lee+1 more|arXiv (Cornell University)|Oct 26, 2021

Advanced Causal Inference Techniques被引用数 13

ひとこと要約

SurvITEは、表現バランスを用いて複数の共変量シフト要因に対処するように、時間発生データからの非均質的治療効果を推定する深層学習手法を提案する。合成設定において、生存関数および治療効果推定の両面でベースラインを上回り、特に交絡、情報的打ち切り、イベント誘発共変量シフトの緩和に優れている。

ABSTRACT

We study the problem of inferring heterogeneous treatment effects from time-to-event data. While both the related problems of (i) estimating treatment effects for binary or continuous outcomes and (ii) predicting survival outcomes have been well studied in the recent machine learning literature, their combination -- albeit of high practical relevance -- has received considerably less attention. With the ultimate goal of reliably estimating the effects of treatments on instantaneous risk and survival probabilities, we focus on the problem of learning (discrete-time) treatment-specific conditional hazard functions. We find that unique challenges arise in this context due to a variety of covariate shift issues that go beyond a mere combination of well-studied confounding and censoring biases. We theoretically analyse their effects by adapting recent generalization bounds from domain adaptation and treatment effect estimation to our setting and discuss implications for model design. We use the resulting insights to propose a novel deep learning method for treatment-specific hazard estimation based on balancing representations. We investigate performance across a range of experimental settings and empirically confirm that our method outperforms baselines by addressing covariate shifts from various sources.

研究の動機と目的

• 臨床および疫学的研究で一般的な時間発生アウトカムにおける非均質的治療効果推定のための機械学習手法のギャップを埋める。
• 標準的な交絡および打ち切りに加えて、複数の共変量シフト要因に起因する治療特異的ハザード関数推定の独自の課題を形式化し分析する。
• 治療、打ち切り、イベント誘発シフトの各要因に起因する共変量シフトをバランスさせるニューラルネットワークベースの新規手法を開発し、ハザード関数および生存関数推定を改善する。
• さまざまな合成データ設定下での治療効果および生存ダイナミクス推定において、本手法のベースライン比優位性を実証的に検証する。

提案手法

• 本手法は、共有および時刻特異的ヘッドを備えた深層ニューラルネットワークを用いて、離散時間における治療特異的条件付きハザード関数を学習する。
• 非無作為な治療割り当て、情報的打ち切り、イベント誘発シフトに起因する共変量シフトを緩和するため、ドメイン適応スタイルの正則化を用いた表現バランス機構を導入する。
• 表現整合性と予測性能のトレードオフを制御するバランス係数βを採用し、検証セットの性能に基づいて選択する。
• 治療介入なしの標準的な生存設定における個別化ハザード推定を目的とした変種、SurvIHEを提案する。
• 共変量シフトの各要因に起因する表現を統一するために、逆確率重み付けとモーメントマッチング（IPM）を用いる。
• 訓練データが限られている場合の一般化を向上させるために、時間ステップにわたるスムージングおよびパラメータ共有の2つのアンブレーション技術を導入する。

実験結果

リサーチクエスチョン

• RQ1 交絡、情報的打ち切り、イベント誘発シフトといった複数の共変量シフト要因は、時間発生データにおける治療特異的ハザード関数推定にどのように影響を与えるか？
• RQ2 これらの共変量シフトは、生存治療効果推定における経験的リスク最小化に理論的にどのような影響を及えるか？
• RQ3 深層学習モデルにおける表現バランスは、これらの複数のシフト要因の組合せ効果を効果的に緩和し、ハザード関数および生存関数推定を改善できるか？
• RQ4 提案されたSurvITEモデルは、時間発生アウトカムにおける非均質的治療効果推定において、既存のベースラインと比較してどのように異なるか？
• RQ5 （例：バランス係数βなど）どのようなハイパーパrameter設定が、治療効果推定および判別力の両面で最適な性能をもたらすか？

主な発見

• SurvITEは、すべての合成シナリオにおいて、治療特異的生存関数および非均質的治療効果（HTE）推定ですべてのベースラインを上回り、複数のシフト要因を含む複雑な設定で最も顕著な性能向上を示した。
• S3およびS4のシナリオにおいて、時間ステップごとに最高のC-indexを達成し、生存予測の優れた判別性能を示した。
• 最適なバランス係数β = 0.001は検証により選択され、高い値は判別性能を低下させ、低い値は表現のバランスを十分に実現できなかった。
• スムージングおよびパラメータ共有技術は、限られた訓練データ（例：2000サンプル）下でも推定性能を顕著に向上させ、モデルの柔軟性が低下しても妥当な精度を維持した。
• ハザード関数推定の結果は生存関数の結果と類似しており、SurvITEが最小のRMSEを示したが、誤差蓄積のため、後期の時間ステップではモデル差の感度がわずかに低かった。
• 感度分析により、中程度のIPM正則化が不可欠であることが確認された。過剰な正則化は情報保持を損なう一方、不十分な正則化では共変量シフトのバランスが取れない。