[논문 리뷰] Deep Learning for Patient-Specific Kidney Graft Survival Analysis

Margaux Luck, Tristan Sylvain외 3명|PolyPublie (École Polytechnique de Montréal)|2017. 05. 29.

Machine Learning in Healthcare참고 문헌 11인용 수 56

한 줄 요약

이 논문은 다중 작업 학습을 사용하여 신장 이식 생존 함수를 직접 모델링하는 심층 학습 모델을 제안하며 SRTR 데이터에서 Cox 기반 방법보다 더 높은 합치도(C-index)를 달성합니다. 이벤트 시간과 순위를 Cox 부분 가능도 프레임워크 하에 공동 예측하고, 검열 데이터와 동점을 처리합니다.

ABSTRACT

An accurate model of patient-specific kidney graft survival distributions can help to improve shared-decision making in the treatment and care of patients. In this paper, we propose a deep learning method that directly models the survival function instead of estimating the hazard function to predict survival times for graft patients based on the principle of multi-task learning. By learning to jointly predict the time of the event, and its rank in the cox partial log likelihood framework, our deep learning approach outperforms, in terms of survival time prediction quality and concordance index, other common methods for survival analysis, including the Cox Proportional Hazards model and a network trained on the cox partial log-likelihood.

연구 동기 및 목표

• 신장학 관리에서 공유 의사 결정 지원을 위한 환자 특이적 이식 생존 모델링의 필요성 제시.
• 생존 시간이 아닌 위험도나 위험만을 예측하는 것이 아니라 생존 시간을 직접 예측하는 심층 학습 모델 개발.
• 생존 분석에서 다중 작업 학습을 활용해 사건 시간 예측과 Cox 부분 가능도 하의 순위 예측을 결합.
• 대형 이식 등록 데이터에서 표준 생존 모델 및 벤치마크에 대해 평가.

제안 방법

• 모델 입력은 신장 기증자-수령인 및 이식 특성으로 구성되며 신경망을 통해 처리됩니다.
• 두 출력 구조: 수렴점 s^(1)가 Cox 부분 가능도 순위 손실에 사용되는 병목 스칼라와 시간에 따른 생존 확률을 위한 상위 계층의 T 유닛.
• 손실 함수: (i) 이프론(Efron)의 근사를 이용한 동점 처리와 Cox 부분 가능도, (ii) 검열 데이터를 고려한 예측 시간에 대한 순위/등가화 회귀 기반 손실.
• 학습은 Adam 1e-5 학습률, 배치 크기 32, 정규화, 드롭아웃, 배치 정규화 및 그래디언트 클리핑을 사용하며 하이퍼파라미터는 무작위 탐색으로 조정됩니다.
• 평가는 C-index와 AUROC를 사용하며 AUROC 계산에서 검열에 대한 조정이 적용됩니다.]
• 연구의 방법은 (다음 항목은 그대로) 보도됩니다.

실험 결과

연구 질문

• RQ1 심층 학습 모델이 생존 시간을 직접 예측하는 방식으로 전통적 위험도 기반 모델에 비해 환자 특이적 이식 생존 예측을 개선할 수 있는가?
• RQ2 다중 작업 학습(시간 예측 + 순위)이 생존 분석에서 일반화 및 C-index 성능을 향상시키는가?
• RQ3 Efron 근사 및 동점 회귀와 같은 검열 데이터 및 동점 처리 방식이 예측 정확도와 순위에 어떤 영향을 주는가?
• RQ4 실세계 SRTR 이식 데이터 및 기타 생존 데이터 세트에서 이 방법의 성능은 어떠한가?

주요 결과

Datasets	Cox Efron’s	MLP Efron’s	MLP rank	MLP Efron’s + rank
SRTR	0.6504	0.6535	0.6302	0.6550

• SRTR 데이터에서 모델의 C-index는 0.655로 나타났으며, Efron의 손실을 사용하는 Cox(0.6504) 및 다른 기준선들(0.6535의 MLP, 0.6302의 MLP rank, 0.6550의 MLP + rank)보다 높습니다.
• 특별한 사전처리 없이도 특징을 사용할 수 있으며 다중 작업 학습으로 일반화가 향상됩니다.
• 시간 단계에 따른 AUROC는 초기 시간 단계에서 더 잘 구분되나 이식 시점에 가까워질수록 사건이 적어져 감소하는 경향이 있어 데이터 증가가 이식 근처에서 도움이 될 수 있습니다.
• 모델은 비선형 기증자 연령 효과와 같은 해석 가능한 인사이트를 제공하며 예를 들어 기증자 연령이 21세 미만일 때 예측 생존이 더 높게 나타나는 등의 결과가 있습니다.
• 다수의 실제 데이터 세트에서 이 방법이 일부 기준선보다 우수한 성능을 보였으며, 모든 데이터 세트에서 가장 높은 C-index 값이 굵게 표시되었습니다.