[논문 리뷰] BITES: Balanced Individual Treatment Effect for Survival data

Stefan Schrod, Andreas Schäfer외 8명|arXiv (Cornell University)|2022. 01. 01.

Statistical Methods in Clinical Trials인용 수 4

한 줄 요약

BITES는 잠재 표현 공간에서 치료군 간 균형을 이루는 적분확률거리(IPM) 기반의 방법과 치료별 코ックス 비례위험모형을 결합하여 생존 데이터에서 개인별 치료효과를 추정하는 새로운 딥러닝 프레임워크이다. 시뮬레이션 및 실제 유방암 데이터에서 최신 기법들을 능가하며, 치료 추천 정확도와 생존 결과를 향상시키고, SHAP 값을 통해 예측의 해석 가능성을 제공한다.

ABSTRACT

Estimating the effects of interventions on patient outcome is one of the key aspects of personalized medicine. Their inference is often challenged by the fact that the training data comprises only the outcome for the administered treatment, and not for alternative treatments (the so-called counterfactual outcomes). Several methods were suggested for this scenario based on observational data, i.e.~data where the intervention was not applied randomly, for both continuous and binary outcome variables. However, patient outcome is often recorded in terms of time-to-event data, comprising right-censored event times if an event does not occur within the observation period. Albeit their enormous importance, time-to-event data is rarely used for treatment optimization. We suggest an approach named BITES (Balanced Individual Treatment Effect for Survival data), which combines a treatment-specific semi-parametric Cox loss with a treatment-balanced deep neural network; i.e.~we regularize differences between treated and non-treated patients using Integral Probability Metrics (IPM). We show in simulation studies that this approach outperforms the state of the art. Further, we demonstrate in an application to a cohort of breast cancer patients that hormone treatment can be optimized based on six routine parameters. We successfully validated this finding in an independent cohort. BITES is provided as an easy-to-use python implementation.

연구 동기 및 목표

• 대조 결과가 관찰되지 않는 시간-이벤트 데이터에서 개인별 치료효과(ITE) 추정의 과제를 해결하기 위해.
• 기존 방법들이 캐시된 생존 데이터를 충분히 다루지 못하거나 고차원 설정에서 치료군 간 균형을 이루지 못하는 한계를 극복하기 위해.
• 관찰 생존 연구에서 개인 맞춤 치료 최적화를 위한 확장 가능하고, 해석 가능하며, 강건한 프레임워크를 개발하기 위해.
• 실제 유방암 데이터를 바탕으로 방법을 검증하고, 최적화된 호르몬 치료 추천을 통해 생존 결과를 향상시키기 위해.

제안 방법

• BITES는 개인 맞춤 치료효과 추정을 위해 치료별 반모수적 코ックス 모형과 딥 뉴럴 네트워크를 통합한다.
• 잠재 표현 공간에서 치료군과 대조군의 분포 균형을 도모하기 위해 적분확률거리(IPM)를 적용한다.
• 이중 헤드 아키텍처를 사용한다: 하나의 헤드는 치료군별 생존 결과를 예측하고, 다른 하나는 적대적 훈련을 통해 균형 잡힌 표현을 학습한다.
• 코ックス 부분우도를 생존 모델링에, IPM 기반 정규화를 분포 차이를 최소화하기 위해 조합한 하이브리드 손실을 사용한다.
• 역전파를 통한 엔드 투 엔드 훈련을 지원하여 예측 성능과 치료 균형을 동시에 최적화한다.
• SHAP(SHapley Additive exPlanations)를 활용해 특성 기여도를 평가함으로써 예측의 해석 가능성을 향상시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 모형이 캐시된 결과와 치료 선택 편향을 고려하면서도 시간-이벤트 데이터에서 개인별 치료효과를 효과적으로 추정할 수 있는가?
• RQ2 치료군과 대조군의 잠재 표현에 대한 IPM 기반 균형 조정이 생존 분석에서 ITE 추정의 정확도와 공정성에 어떻게 기여하는가?
• RQ3 시뮬레이션 및 실제 생존 데이터에서 기존 최신 기법 대비 BITES가 Harrell의 C-index, PEHE, 치료 추천 정확도 측면에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 모델의 치료 추천 전략은 독립 검증 코hort에서 특히 유방암 호르몬 치료에서 생존 결과를 향상시키는가?
• RQ5 모델의 예측은 얼마나 투명하고 해석 가능하며, SHAP 값은 임상적 특성이 개인 치료 결정에 미치는 영향을 효과적으로 드러내는가?

주요 결과

• 시뮬레이션 연구에서 BITES는 최신 기법 대비 Harrell의 C-index, 치료 배정 정확도, PEHE 측면에서 뛰어난 성능을 보였다.
• GBSG-2 유방암 데이터셋에서 BITES는 환자 83.4%에게 호르몬 치료를 추천했으며, Cox 회귀와 DeepSurv는 각각 100%의 환자에게 치료를 추천했다.
• BITES 추천을 따르는 군대는 테스트 세트에서 치료군보다 더 좋은 생존을 보였지만, 통계적으로 유의미한 차이는 없었다 (통제된 테스트 세트에서 로그랭크 검정 p = 0.000016).
• BITES는 강력한 해석 가능성을 보였다: SHAP 분석을 통해 호르몬 치료가 폐경 후 상태의 부정적 생존 영향을 완화시키고 고위험 종양 등급(3단계)과 관련된 위험을 증폭시킨다는 점이 확인되었다.
• 독립된 GBSG-2 테스트 세트에서 BITES의 C-index는 0.666로 가장 높은 편이었으며, 강력한 예측 성능를 나타내었다.
• 독립 코hort에서의 검증을 통해 BITES 기반 치료 추천이 향상된 생존 결과와 관련이 있음을 확인하였으며, 임상적 유용성이 있음을 시사하였다.