[논문 리뷰] Adversarial Time-to-Event Modeling

Paidamoyo Chapfuwa, Chenyang Tao외 5명|PubMed|2018. 04. 09.

Statistical Methods and Inference참고 문헌 30인용 수 24

한 줄 요약

이 논문은 censored 데이터를 사용하여 시간-사건 분포를 추정하기 위해 생성적 적대적 네트워크(GANs)를 활용하는 딥 생성 모델 DATE(Adversarial Time-to-Event Modeling)를 제안한다. 적대적 학습과 censored 이벤트를 위한 새로운 손실 함수를 활용함으로써, DATE는 불확실성 추정을 향상시키고 실제 및 벤치마크 데이터셋에서 파라미터 기반 기준 모델과 DRAFT를 모두 능가하는 예측 성능을 보인다.

ABSTRACT

Modern health data science applications leverage abundant molecular and electronic health data, providing opportunities for machine learning to build statistical models to support clinical practice. Time-to-event analysis, also called survival analysis, stands as one of the most representative examples of such statistical models. We present a deep-network-based approach that leverages adversarial learning to address a key challenge in modern time-to-event modeling: nonparametric estimation of event-time distributions. We also introduce a principled cost function to exploit information from censored events (events that occur subsequent to the observation window). Unlike most time-to-event models, we focus on the estimation of time-to-event distributions, rather than time ordering. We validate our model on both benchmark and real datasets, demonstrating that the proposed formulation yields significant performance gains relative to a parametric alternative, which we also propose.

연구 동기 및 목표

• 딥 러닝을 활용하여 생존 분석에서 비모수적 시간-사건 분포 추정 문제를 해결하는 것.
• 특히 censored 이벤트에 대해 불확실성 정량화를 향상시키는 것.
• 단지 위험 순서 또는 고정 시간 확률이 아닌 전체 시간-사건 분포를 추정하는 방법을 개발하는 것.
• 전통적인 Cox-PH 및 AFT 모델의 한계를 극복하기 위해 적대적 학습을 통한 확장 가능하고 확률적 학습을 가능하게 하는 것.
• 특정 파라미터 기반 기저 분포를 가정하지 않는 유연하고 분포 자유(free) 프레임워크를 제공하는 것.

제안 방법

• 조건부 GAN 프레임워크를 사용하여, 생성자 네트워크가 공변수 조건 하에 시간-사건 예측을 생성한다.
• 진짜 사건 시간(학습 데이터에서 얻음)과 생성자로부터 생성된 시간을 구분하는 디스criminator를 활용한다.
• 우측 censored 관측치에 대해 유의미한 분포를 생성하도록 유도함으로써, censored 이벤트를 명시적으로 모델링하는 새로운 손실 함수를 도입한다.
• 모든 네트워크 레이어에 노이즈(예: Uniform(0,1))를 포함한 확률적 레이어를 적용하여 불확실성 추정 및 분포 커버리지 향상.
• 시간 순서 제약 조건을 목적 함수에 명시적으로 포함시키지 않고도, 적대적 최적화를 통해 모델을 학습한다.
• 비교를 위해 로그정규 분포를 사용하는 파라미터 기반 AFT 기반 기준 모델(DATE-AE)을 제안한다.

실험 결과

연구 질문

• RQ1 censored 데이터를 가진 시간-사건 모델링에 대해 적대적 학습이 분포 추정에 효과적으로 적용될 수 있는가?
• RQ2 제안된 GAN 기반 접근법이 기존의 파라미터 기반 및 비모수 기반 모델보다 더 나은 불확실성 정량화 및 예측 성능을 제공하는가?
• RQ3 모든 네트워크 레이어에 노이즈를 포함시키는 것이 예측된 시간-사건 분포의 커버리지와 校정성(calibration)에 어떤 영향을 미치는가?
• RQ4 손실 함수에 명시적인 순서 제약 조건을 부여하지 않더라도 모델이 정확한 시간 순서를 학습할 수 있는가?
• RQ5 높은 수준의 censored 비율과 복잡한 공변수 구조를 가진 실제 임상 데이터셋에서 모델의 성능은 어떠한가?

주요 결과

• DATE는 모든 데이터셋에서 파라미터 기반 AFT 기준 모델(DATE-AE)과 DRAFT 모델보다 상대적 절대 오차와 커버리지 측면에서 뚜렷한 성능 향상을 보였다.
• ehr 데이터셋에서 DATE는 중앙값 상대 절대 오차 23.6% (IQR: 11.1–43.0)를 기록하여 DRAFT(36.7%)와 DATE-AE(24.5%)를 모두 능가했다.
• flchain 데이터셋에서 DATE는 중앙값 상대 절대 오차 19.5%를 기록하여 DATE-AE(19.3%)와 유사했고, DRAFT(26.2%)보다 유의미하게 뛰어났다.
• 모든 레이어에 Uniform(0,1) 노이즈를 적용한 모델은 지원 데이터 기준 중앙값 149.9일의 가장 큰 95% 예측 구간을 생성하여 분포 커버리지가 뛰어났다.
• DATE에 명시적인 시간 순서 손실을 추가해도 성능 향상이 없었으며, 이는 GAN 목적 함수가 암묵적으로 올바른 순서를 학습하고 있음을 시사한다.
• 협동 지수(CI) 결과에서 DATE(-AE)는 ehr 데이터셋에서, DRAFT는 support 데이터셋에서 최상의 성능을 보였고, DATE(-AE)는 seer 데이터셋에서 Cox-PH와 RSF를 모두 능가했다.