[논문 리뷰] Deep Kernel Survival Analysis and Subject-Specific Survival Time Prediction Intervals

George H. Chen|arXiv (Cornell University)|2020. 07. 25.

Domain Adaptation and Few-Shot Learning인용 수 6

한 줄 요약

이 논문은 커널 생존 분석을 위한 커널 함수를 학습하는 딥 뉴럴 네트워크 프레임워크를 소개하며, 통계적으로 타당한 예측 간격을 제공함으로써 개별 환자에 대한 생존 예측을 가능하게 한다. 이 간격들은 다양한 방법 간의 불확실성 정도를 정량화하고 새로운 성능 평가 지표로 기능할 수 있음을 입증하며, 기존 모델들과 경쟁 가능한 정확도를 달성한다.

ABSTRACT

Kernel survival analysis methods predict subject-specific survival curves and times using information about which training subjects are most similar to a test subject. These most similar training subjects could serve as forecast evidence. How similar any two subjects are is given by the kernel function. In this paper, we present the first neural network framework that learns which kernel functions to use in kernel survival analysis. We also show how to use kernel functions to construct prediction intervals of survival time estimates that are statistically valid for individuals similar to a test subject. These prediction intervals can use any kernel function, such as ones learned using our neural kernel learning framework or using random survival forests. Our experiments show that our neural kernel survival estimators are competitive with a variety of existing survival analysis methods, and that our prediction intervals can help compare different methods' uncertainties, even for estimators that do not use kernels. In particular, these prediction interval widths can be used as a new performance metric for survival analysis methods.

연구 동기 및 목표

• 커널 생존 분석을 위한 최적의 커널 함수를 학습하는 뉴럴 네트워크 프레임워크를 개발하여, 개별 환자 기반 생존 예측을 향상시키는 것.
• 분할 순환 예측을 사용하여 개별 수준에서 통계적으로 타당한 생존 시간 예측 간격을 구성하는 것.
• 커널 기반 모델이 아닌 방법들조차도 불확실성 정량화를 가능하게 하는 것.
• 실제 의료 데이터셋에서 딥 커널 생존 추정기와 그 예측 간격의 성능을 평가하는 것.
• 불확실성 비교를 위한 새로운 지표인 예측 간격 너비를 제공하는 것.

제안 방법

• 분류에서의 신경 커널 학습을 생존 분석으로 확장하여, 기본 뉴럴 네트워크를 사용해 환자를 임bedding 공간으로 매핑하고, 유클리드 거리로 커널 유사도를 계산하는 방식을 채택한다.
• 학습된 커널 함수를 사용해 베란의 조건부 카플란-마이어 추정기를 적용하여 개별 환자 기반 생존 곡선과 생존 시간을 예측한다.
• 분할 순환 예측 및 그 가중치 버전을 적용하여 생존 시간 추정치에 대한 마진 간격과 국소적으로 타당한 예측 간격을 생성한다.
• 사용자 지정 타겟 커버리지 수준 α를 사용하여 예측 간격을 校정하여 실측 커버리지가 명시된 수준과 일치하도록 한다.
• 마진 간격과 국소 간격의 유효성을 모두 지원: 국소 간격은 커널 함수를 통해 테스트 환자와 유사한 환자들에 대한 평균을 구한다.
• 수정된 생존 숲 또는 다른 신경 생존 모델을 사용해 온전한 학습을 가능하게 하여 수렴성과 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크 프레임워크가 커널 생존 분석을 위한 커널 함수를 효과적으로 학습하여 예측 정확도를 향상시킬 수 있는가?
• RQ2 커널 기반 순환 예측을 사용해 구성된 예측 간격이 개인 수준에서 통계적으로 타당한가?
• RQ3 다양한 생존 분석 방법 간의 예측 간격 너비는 어떻게 비교되며, 이는 성능 평가 지표로 기능할 수 있는가?
• RQ4 국소적으로 타당한 예측 간격은 마진 간격에 비해 임상적 해석 가능성에서 더 우수한가?
• RQ5 예측 간격 구성에 별도로 커널을 학습함으로써, 커널 기반 모델이 아닌 생존 추정기에도 이 방법을 적용할 수 있는가?

주요 결과

• 랜덤 생존 숲 초기화를 사용한 nks-res-diag 및 nks-mlp와 같은 제안된 딥 커널 생존 추정기는 기존 방법들과 비교해 경쟁 가능한 C-index 값을 달성한다.
• 분할 순환 예측을 사용해 구성된 예측 간격은 실측 커버리지 확률이 사용자 지정 타겟 커버리지 수준과 매우 가까운 것으로 나타났다 (예: α = 0.1일 때 90%).
• 예측 간격 너비는 커널 함수를 사용하지 않는 모델들 사이에서도 불확실성 비교에 사용될 수 있다.
• 국소적으로 타당한 예측 간격은 유사한 환자들과의 비교를 반영하므로, 개인 임상 결정에 더 유용하다.
• 예측 간격 너비를 분석함으로써 유사한 훈련 환자들을 기준으로 더 높은 예측 불확실성의 환자를 식별할 수 있다.
• 통계적 타당성은 확보되었지만, 여전히 예측 간격 너비가 상대적으로 넓어 불확실성 校정 향상 여지가 남아 있다.