[논문 리뷰] Deep Learning for Survival Analysis: A Review

Simon Wiegrebe, Philipp Kopper외 3명|arXiv (Cornell University)|2023. 05. 24.

Health, Environment, Cognitive Aging참고 문헌 142인용 수 6

한 줄 요약

이 논문은 생존 분석을 위한 딥러닝(DL) 방법에 대한 종합적인 체계적 리뷰를 제시하며, 생존 및 DL 전용 특성에 따라 이를 분류한다. 복잡한 케어링 및 다중 위험 시나리오를 제대로 다루지 못하는 등의 핵심 방법론적 격차를 밝혀내고, 커뮤니티 기반의 진전을 촉진하기 위해 개방형이고 상호작용 가능한 표를 제공한다.

ABSTRACT

The influx of deep learning (DL) techniques into the field of survival analysis in recent years has led to substantial methodological progress; for instance, learning from unstructured or high-dimensional data such as images, text or omics data. In this work, we conduct a comprehensive systematic review of DL-based methods for time-to-event analysis, characterizing them according to both survival- and DL-related attributes. In summary, the reviewed methods often address only a small subset of tasks relevant to time-to-event data - e.g., single-risk right-censored data - and neglect to incorporate more complex settings. Our findings are summarized in an editable, open-source, interactive table: https://survival-org.github.io/DL4Survival. As this research area is advancing rapidly, we encourage community contribution in order to keep this database up to date.

연구 동기 및 목표

• 시간-사건 데이터에 초점을 맞춘 딥러닝 방법을 생존 분석에 적용한 체계적 리뷰를 수행하여, 그 방법론적 설계와 적용 가능성에 중점을 둔다.
• 현재의 DL 기반 생존 모델에서 나타나는 일반적인 한계, 예를 들어 다중 위험 또는 간격 케어링 사건과 같은 복잡한 데이터 구조를 다루는 범위의 제한을 식별한다.
• 지속적인 연구를 지원하기 위해 DL 기반 생존 모델을 추적하고 분류하기 위한 체계적이고 개방적이며 편집 가능한 프레임워크를 제공한다.
• 커뮤니티 기여를 장려하여 생존 분석에서의 딥러닝을 위한 최신이고 종합적인 자원을 지속적으로 유지 관리할 수 있도록 한다.
• 딥러닝을 통한 생존 분석의 현재 최선의 기술 수준를 평가하고 향후 방법론적 개발을 안내한다.

제안 방법

• 저자는 생존 분석을 위한 딥러닝에 관한 동료 심사된 논문을 체계적으로 검토하였으며, 주로 시간-사건 데이터에 초점을 맞췄다.
• 방법은 생존 분석 특성(예: 케어링 유형, 위험 구조)과 딥러닝 구성 요소(예: 네트워크 아키텍처, 손실 함수) 기반으로 분류되었다.
• 이 리뷰에는 영상, 텍스트, 옴믹스 데이터 등 다양한 데이터 유형을 사용한 연구를 포함하여, 딥러닝이 고차원적이거나 비정형 입력을 다룰 능력을 평가하였다.
• 검토된 방법을 카탈로그화하기 위해 상호작용 가능하고 개방형이며 편집 가능한 표를 개발하였으며, https://survival-org.github.io/DL4Survival 에서 호스팅되었다.
• 이 프레임워크는 동적 업데이트와 커뮤니티 기여를 지원하여 지속적인 관련성과 정확성을 확보한다.
• 공개된 자원과 코드에 연결하여 방법론적 투명성과 재현 가능성을 강조하였다.

실험 결과

연구 질문

• RQ1 생존 분석에서 가장 널리 사용되는 딥러닝 아키텍처는 무엇이며, 어떻게 케어링되거나 잘린 시간-사건 데이터를 처리하는가?
• RQ2 기존의 DL 기반 생존 모델이 단일 위험, 오른쪽 케어링 데이터를 넘어서 복잡한 시나리오인 경쟁 위험 또는 간격 케어링과 같은 상황으로 일반화되는 정도는 어느 정도인가?
• RQ3 영상, 텍스트, 옴믹스 데이터와 같은 다양한 데이터 모odalities에서 생존 분석을 위한 딥러닝 방법은 어떻게 성능을 내는가?
• RQ4 현재의 DL 기반 생존 모델에서 해석 가능성과 강건성 측면에서 주요 방법론적 격차는 무엇인가?
• RQ5 연구 커뮤니티는 어떻게 지속 가능하게 DL 기반 생존 분석 방법의 포괄적이고 최신의 카탈로그를 유지 및 업데이트할 수 있는가?

주요 결과

• 다수의 검토된 DL 기반 생존 모델은 단일 위험, 오른쪽 케어링 데이터에만 국한되어 있으며, 경쟁 위험 또는 간격 케어링과 같은 더 복잡한 생존 설정을 간과하고 있다.
• 의료 영상 및 옴믹스 프로파일과 같은 고차원적이거나 비정형 데이터를 다루는 데의 진전에도 불구하고, 많은 모델들이 실제 임상 데이터의 복잡성에 일반화되지 못하고 있다.
• 이 리뷰는 DL 기반 생존 방법 간 평가 지표와 보고 방식의 표준화 부족을 식별하였다.
• 저자들은 생존 분석을 위한 DL 기반 모델를 카탈로그화하고 추적하기 위해 개방형, 상호작용 가능하며 커뮤니티 유지 관리 데이터베이스를 개발하고 공개하였다. 이는 https://survival-org.github.io/DL4Survival 에서 이용 가능하다.
• 이 데이터베이스는 편집 가능하고 확장 가능하도록 설계되어, 분야의 발전에 따라 지속적인 총괄과 자원의 최신 상태를 유지하도록 지원한다.
• 본 연구는 다중 이벤트 및 동적 예측 시나리오를 모델링하는 데 있어 방법론적 혁신의 긴급한 필요성을 부각시켰다.