[논문 리뷰] A Semi-parametric Promotion Time Cure Model with Support Vector Machine

Suvra Pal, Wisdom Aselisewine|arXiv (Cornell University)|2023. 04. 24.

Gene expression and cancer classificationBiochemistry, Genetics and Molecular Biology인용 수 3

한 줄 요약

이 논문은 비모수적 성격을 지닌 프ом모션 타임 치유 모델을 제안하며, 치유 확률과 공변수 간의 비선형 관계를 포착하기 위해 지지 벡터 기반 기계학습(SVM)을 유병성 성분에 통합함으로써, 잠재적 위험 시간에 대한 콰이크스 비례 위험 모델의 구조를 유지한다. 본 방법은 매개변수 추정을 위해 기대치-최대화(EM) 알고리즘과 순차 최소 최적화(sequential minimal optimization, SMO), 플랫팅 스케일링(Platt scaling)을 활용하며, 시뮬레이션 결과는 기존의 로지스틱 회귀 모델 및 스퍼인 기반 모델 대비 편향, 평균제곱오차, 분류 정확도 측면에서 뛰어난 성능을 보였다.

ABSTRACT

The promotion time cure rate model (PCM) is an extensively studied model for the analysis of time-to-event data in the presence of a cured subgroup. There are several strategies proposed in the literature to model the latency part of PCM. However, there aren't many strategies proposed to investigate the effects of covariates on the incidence part of PCM. In this regard, most existing studies assume the boundary separating the cured and non-cured subjects with respect to the covariates to be linear. As such, they can only capture simple effects of the covariates on the cured/non-cured probability. In this manuscript, we propose a new promotion time cure model that uses the support vector machine (SVM) to model the incidence part. The proposed model inherits the features of the SVM and provides flexibility in capturing non-linearity in the data. To the best of our knowledge, this is the first work that integrates the SVM with PCM model. For the estimation of model parameters, we develop an expectation maximization algorithm where we make use of the sequential minimal optimization technique together with the Platt scaling method to obtain the posterior probabilities of cured/uncured. A detailed simulation study shows that the proposed model outperforms the existing logistic regression-based PCM model as well as the spline regression-based PCM model, which is also known to capture non linearity in the data. This is true in terms of bias and mean square error of different quantities of interest, and also in terms of predictive and classification accuracies of cure. Finally, we illustrate the applicability and superiority of our model using the data from a study on leukemia patients who went through bone marrow transplantation.

연구 동기 및 목표

• 기존 치유 모델이 공변수의 비선형 효과를 치유 확률에 대해 포착하는 데에 한계가 있음을 해결하기 위해.
• 선형 유병성 성분을 지지 벡터 기반 기계학습(SVM)으로 대체함으로써, 민감성과 해석 가능성 사이의 균형을 이루는 유연한 치유 모델을 개발하기 위해.
• 치유된 집단이 존재하는 생존 데이터에서 추정 정확도와 예측 성능을 향상시키기 위해.
• SVM을 프로모션 타임 치유 모델 프레임워크에 처음으로 통합하기 위해.
• 진짜 경계가 비선형인 경우, 치유된 대비 비치유된 환자를 더 잘 분류할 수 있도록 하기 위해.

제안 방법

• 공변수와 치유 확률 간의 복잡한 비선형 관계를 포착하기 위해 지지 벡터 기반 기계학습(SVM)을 사용한 반-모수적 프로모션 타임 치유 모델(PCM)을 제안하며, 이는 유병성 성분을 모델링하는 데에 사용된다.
• 유병성 성분 외에 잠재적 위험 시간에 대한 표준 콰이크스 비례 위험 모델의 구조를 유지함으로써, 생존 효과의 해석 가능성을 확보한다.
• 매개변수 추정을 위해 기대치-최대화(EM) 알고리즘을 개발하였으며, E단계에서는 플랫팅 스케일링을 사용해 치유 가능성의 사후 확률을 추정한다.
• EM 프레임워크 내에서 SVM 하위 문제를 효율적으로 해결하기 위해 순차 최소 최적화(sequential minimal optimization, SMO)를 활용한다.
• 관측되지 않은 경쟁 위험의 수를 포isson 분포로 가정하며, 이 평균은 SVM를 통해 매개변수화되어 위험성 발생률을 모델링한다.
• 실제 백혈병 골수이식 연구 데이터를 적용하여 실용적 유용성을 입증한다.

실험 결과

연구 질문

• RQ1 기존의 로지스틱 회귀 모델에 비해 SVM 기반의 유병성 모델이 치유 확률 추정 정확도를 향상시킬 수 있는가?
• RQ2 SVM이 프로모션 타임 치유 모델에 통합될 경우, 진짜 결정 경계가 비선형인 경우 치유된 대비 비치유된 환자에 대한 분류 정확도가 향상되는가?
• RQ3 편향, 평균제곱오차, 예측 정확도 측면에서 제안된 PCM-SVM 모델은 스퍼인 기반 및 신경망 기반 치유 모델과 비교해 어떻게 성능을 내는가?
• RQ4 고차원 공변수 또는 상호작용과 상관관계를 포함하는 복잡한 공변수 구조 하에서 본 모델은 여전히 양호한 성능을 유지할 수 있는가?
• RQ5 비선형 효과를 포착할 수 있는 능력이 치유 지속 시간 성분의 생존 확률 추정 정확도 향상에도 기여하는가?

주요 결과

• 진짜 치유자와 비치유자 간의 경계가 비선형인 경우, 제안된 PCM-SVM 모델은 PCM-Logit 모델 대비 비치유 확률 추정의 편향과 평균제곱오차 측면에서 뚜렷한 우월성을 보였다.
• 특히 비선형 결정 경계가 존재하는 상황에서 PCM-SVM은 PCM-Logit보다 더 높은 분류 정확도와 더 나은 예측 성능를 달성하였다.
• 10개의 공변수를 포함하고 상호작용과 상관관계가 존재하는 고차원 시뮬레이션 설정에서, PCM-SVM은 PCM-Spline 및 PCM-Neural Network 모델보다 비치유자 및 전체 생존 확률 추정에서 뛰어난 성능을 보였다.
• 모델이 복잡한 비선형 관계를 포착할 수 있는 능력은 잠재적 위험 시간 성분의 추정 정확도 향상으로 이어졌으며, 이는 유병성 및 잠재적 위험 시간 성분 전반에 걸친 통합적 향상임을 시사한다.
• EM 알고리즘 내에서 SMO와 플랫팅 스케일링을 사용함으로써 효율적이고 안정적인 매개변수 추정이 가능해졌으며, 실용적 구현을 뒷받침한다.
• 실제 백혈병 데이터에서 모델은 강력한 실증적 성능를 보였으며, 임상 생존 분석에의 적용 가능성을 확인하였다.