[논문 리뷰] Causal nearest neighbor rules for optimal treatment regimes

Xin Zhou, Michael R. Kosorok|arXiv (Cornell University)|2017. 11. 22.

Advanced Causal Inference Techniques참고 문헌 15인용 수 9

한 줄 요약

이 논문은 정밀의료에서 최적의 치료 제도를 추정하기 위해 국소적 인과 추론을 이용한 인과적 k-최근접 이웃(CNN) 방법을 제안한다. 이 방법은 환자의 공변량에 기반해 이웃 지역 내에서 인과적 추론을 통해 치료를 할당한다. 이 방법은 보편적 일致성(consistency)을 보이며, 저차원에서는 수렴 속도가 $ n^{-1/2} $이다. 적응형 변형은 최적의 거리 척도를 학습하고 암묵적인 변수 선택을 수행함으로써 성능을 향상시킨다.

ABSTRACT

The estimation of optimal treatment regimes is of considerable interest to precision medicine. In this work, we propose a causal $k$-nearest neighbor method to estimate the optimal treatment regime. The method roots in the framework of causal inference, and estimates the causal treatment effects within the nearest neighborhood. Although the method is simple, it possesses nice theoretical properties. We show that the causal $k$-nearest neighbor regime is universally consistent. That is, the causal $k$-nearest neighbor regime will eventually learn the optimal treatment regime as the sample size increases. We also establish its convergence rate. However, the causal $k$-nearest neighbor regime may suffer from the curse of dimensionality, i.e. performance deteriorates as dimensionality increases. To alleviate this problem, we develop an adaptive causal $k$-nearest neighbor method to perform metric selection and variable selection simultaneously. The performance of the proposed methods is illustrated in simulation studies and in an analysis of a chronic depression clinical trial.

연구 동기 및 목표

• 근접 이웃 원리와 인과 추론 프레임워크를 결합하여 단순하면서도 이론적으로 탄탄한 최적의 치료 제도 추정 방법을 개발하는 것.
• 일반 조건 하에서 인과적 k-최근접 이웃 방법의 보편적 일치성과 수렴 속도를 확립하는 것.
• 고차원 설정에서의 차원의 고통 문제를 해결하기 위해 데이터 기반 척도 선택을 통한 적응형 인과적 k-최근접 이웃 방법을 도입하는 것.
• 적응형 거리 척도 학습을 통해 암묵적인 변수 선택을 수행함으로써 고차원 데이터에서의 성능을 향상시키는 것.
• 시뮬레이션 연구와 실제 만성 우울증 임상 시험을 통해 기존 방법들에 비해 본 방법의 우월성을 입증하는 것.

제안 방법

• 인과적 k-최근접 이웃(CNN) 방법은 주어진 환자의 공변량 기반으로 k개의 최근접 이웃 내에서 결과를 비교하여 치료 효과를 추정하며, 잠재 결과의 기대값이 가장 높은 치료를 할당한다.
• 이 방법은 역확률가중치와 이중으로 강건한 추정을 사용하여 국소적 이웃 내에서 조건부 평균 잠재 결과를 일致되게 추정한다.
• 표본 크기가 증가함에 따라 추정된 치료 제도가 베이즈 최적 제도로 확률적으로 수렴함을 보여줌으로써 보편적 일치성을 확립한다.
• 규칙성 조건 하에서 p = 1 또는 2인 경우 수렴 속도는 $ n^{-1/2} $이며, $ p o orall p eq 1,2 $인 경우 $ n^{-2/(p+2)} $로 유도된다.
• 적응형 인과적 k-최근접 이웃(ACNN) 방법은 공변량의 가중 조합을 통해 데이터 기반 거리 척도를 학습함으로써 변수 선택을 효과적으로 수행한다.
• 불필요한 공변량의 기여를 감소시키기 위해 펜라이즈드 최대우도 방법을 사용하여 적응형 척도를 최적화한다.

실험 결과

연구 질문

• RQ1 근접 이웃 접근법을 인과 추론에 적응시켜 이론적 보장이 있는 최적의 치료 제도 추정에 적용할 수 있는가?
• RQ2 다양한 공변량 차원에서 인과적 k-최근접 이웃 방법의 수렴 속도는 어떻게 되는가?
• RQ3 표본 크기가 증가함에 따라 방법은 여전히 보편적 일치성을 유지하는가?
• RQ4 적응형 척도 학습은 고차원 치료 제도 추정에서 차원의 고통 문제를 완화시킬 수 있는가?
• RQ5 유한 표본에서 기존 방법들인 Q-학습, AIPWE, l1-패널티 최소제곱법과 비교해 적응형 인과적 k-최근접 이웃 방법은 어떻게 성능을 보이는가?

주요 결과

• 인과적 k-최근접 이웃 방법은 보편적 일치성을 보이며, 이는 기저 데이터 분포에 관계없이 점차적으로 최적의 치료 제도를 학습함을 의미한다.
• 이 방법은 1차원 또는 2차원에서는 수렴 속도가 $ n^{-1/2} $이며, 고차원에서는 $ n^{-2/(p+2)} $를 보이며, 이는 비모수적 방법에서 최적의 수렴 속도이다.
• 저차원 설정(p=5)에서는 ACNN이 CNN, 랜덤 포레스트를 사용한 Q-학습, AIPWE보다 비선형 치료 효과가 있는 상황에서 뛰어난 성능을 보였다.
• 중간 차원 설정(p=25)에서는 잘못된 모형을 가진 상황(시나리오 2 및 3)에서 ACNN이 다른 방법들을 뛰어넘었으며, n=800일 때 가치 함수 추정치가 최적 수준에 가까워졌다.
• 진짜 모형이 정확히 지정된 경우(시나리오 1), l1-패널티 최소제곱법이 가장 우수했지만, ACNN은 모든 시나리오에서 경쟁력 있고 강건한 성능을 보였다.
• 적응형 방법은 학습된 거리 척도를 통해 불필요한 공변량의 기여도를 낮춤으로써 암묵적인 변수 선택을 수행하였으며, 이는 고차원 설정에서의 성능 향상에 기여했다.