[논문 리뷰] auton-survival: an Open-Source Package for Regression, Counterfactual Estimation, Evaluation and Phenotyping with Censored Time-to-Event Data

Chirag Nagpal, Willa Potosnak외 1명|arXiv (Cornell University)|2022. 04. 15.

Machine Learning in Healthcare인용 수 15

한 줄 요약

auton-survival은 의료 분야의 쿠펜 시간-사건 데이터에 대한 강력한 기계학습을 가능하게 하는 오픈소스 파이썬 패키지로, 생존 회귀, 반사적 추정, 치료 효과 분석, 도메인 적응 및 페노타이핑을 위한 통합 도구를 제공한다. 중요도 가중치와 성향 스코어 조정을 통합함으로써 모델의 校정성과 분류 성능을 향상시키며, SEER 종양학 데이터에서 조정 후 1년 이내 사망 예측의 AUC가 최대 0.8449에 도달함을 입증하였다.

ABSTRACT

Applications of machine learning in healthcare often require working with time-to-event prediction tasks including prognostication of an adverse event, re-hospitalization or death. Such outcomes are typically subject to censoring due to loss of follow up. Standard machine learning methods cannot be applied in a straightforward manner to datasets with censored outcomes. In this paper, we present auton-survival, an open-source repository of tools to streamline working with censored time-to-event or survival data. auton-survival includes tools for survival regression, adjustment in the presence of domain shift, counterfactual estimation, phenotyping for risk stratification, evaluation, as well as estimation of treatment effects. Through real world case studies employing a large subset of the SEER oncology incidence data, we demonstrate the ability of auton-survival to rapidly support data scientists in answering complex health and epidemiological questions.

연구 동기 및 목표

• 의료 분야에서 쿠펜 시간-사건 결과에 대한 기계학습을 위한 사용자 친화적이고 재현 가능한 소프트웨어의 부족을 해결하기 위해.
• 편향과 쿠펜이 존재하는 상황에서도 정확한 생존 회귀 및 위험 분류를 가능하게 하기 위해.
• 반사적 추정 및 치료 효과 분석을 통해 임상 의사결정 지원을 가능하게 하기 위해.
• 중요도 가중치와 성향 스코어 조정을 활용하여 다양한 도메인 간 모델 일반화를 향상시키기 위해.
• 스키킷런 유사 API와 포괄적인 문서를 통해 의료 기계학습 분야의 재현 가능한 연구를 단순화하기 위해.

제안 방법

• 패키지는 시간에 따라 변화하는 공변량을 지원하는 Cox 비례위험 모델 및 딥 뉴럴 네트워크 기반 생존 모델(DCPH 등)을 포함한 생존 회귀 모델을 구현한다.
• 치료 효과 추정에서 도메인 이동과 편향을 조정하기 위해 중요도 가중치와 성향 스코어 추정(로지스틱 회귀를 통한)을 사용한다.
• 치료 영향을 평가하기 위해 역확률가중치와 위험비율 지표를 사용하여 반사적 결과를 추정한다.
• 표준 생존 지표인 순서 일致 지수, 브리어 스코어, 여러 시간 지점에서의 ROC 곡선 아래 면적 등을 사용하여 모델 평가를 수행한다.
• 패키지는 파이토치와 스키킷런과 통합되어 있어 쉽게 도입하고 빠른 프로토타이핑이 가능한 스카이킷런 호환 API를 제공한다.
• 군집화 기법과 생존 모델 출력을 활용한 하위군 탐색 및 위험 분류를 통해 페노타이핑을 수행한다.

실험 결과

연구 질문

• RQ1 통합적이고 오픈소스인 소프트웨어 패키지가 의료 기계학습에서 생존 분석의 재현 가능성과 접근성 향상에 기여할 수 있는가?
• RQ2 중요도 가중치와 성향 스코어를 활용한 조정이 다양한 지리적 지역에서 생존 예측의 모델 校정성과 분류 성능 향상에 얼마나 효과적인가?
• RQ3 반사적 추정과 치료 효과 분석이 임상 의사결정 지원을 위한 단일 파이프라인으로 통합될 수 있는 정도는 어느 정도인가?
• RQ4 쿠펜 데이터에서 시간-사건 예측을 위한 딥 러닝 모델이 생존 손실 함수를 갖는 경우, 전통적 방법보다 성능이 뛰어나게 되는가?
• RQ5 제안된 도구들이 다양한 임상 데이터셋(다양한 쿠펜 비율과 분포 이동 존재)에서 얼마나 잘 일반화되는가?

주요 결과

• 중요도 가중치를 사용한 도메인 이동 조정 후, 루이지애나에서 1년 이내 사망 예측 AUC는 0.8398에서 0.8449로 향상되었고, 그레ater 캘리포니아에서는 0.8598에서 0.8603으로 상승하였다.
• 조정 후, 루이지애나에서 5년 이내 사망 예측의 브리어 스코어는 0.1154에서 0.1148로 감소하였고, 그레터 캘리포니아에서는 0.1312에서 0.1307로 감소하여 보다 정교한 校정성 향상을 나타냈다.
• 중요도 가중치를 적용한 코크스 모델은 모든 시간 지점(1년, 2년, 5년 예측)에서 조정되지 않은 모델에 비해 뛰어난 분류 성능과 校정성을 보였다.
• 패키지는 직관적인 스카이킷런 유사 API를 통해 복잡한 생존 파이프라인(반사적 추정, 치료 효과 분석 포함)의 빠른 프로토타이핑을 성공적으로 가능하게 하였다.
• SEER 종양학 데이터를 활용한 실제 사례 연구는 auton-survival이 최소한의 코드로 쿠펜 시간-사건 결과의 엔드 투 엔드 분석을 지원하며 높은 재현 가능성을 확보함을 확인하였다.
• 생존 지표 및 평가 도구와 함께 딥 러닝 모델(DCPH 등)을 통합함으로써 복잡한 임상 데이터의 확장 가능한 비선형 모델링이 가능해졌다.