[논문 리뷰] DNNSurv: Deep Neural Networks for Survival Analysis Using Pseudo Values

Lili Zhao, Dai Feng|arXiv (Cornell University)|2019. 08. 06.

Machine Learning in Healthcare참고 문헌 27인용 수 17

한 줄 요약

이 논문은 균열 가상 생존 확률로 총생존 시간을 변환하여 복잡한 생존 예측 문제를 표준 회귀 문제로 전환하는 딥러닝 방법인 DNNSurv을 제안한다. 비례위험가정이 위반될 경우 PH 기반 모델보다 뛰어난 성능을 보이며, 임상적으로 해석 가능한 생존 확률을 직접 출력한다.

ABSTRACT

There has been increasing interest in modelling survival data using deep learning methods in medical research. Current approaches have focused on designing special cost functions to handle censored survival data. We propose a very different method with two steps. In the first step, we transform each subject's survival time into a series of jackknife pseudo conditional survival probabilities and then use these pseudo probabilities as a quantitative response variable in the deep neural network model. By using the pseudo values, we reduce a complex survival analysis to a standard regression problem, which greatly simplifies the neural network construction. Our two-step approach is simple, yet very flexible in making risk predictions for survival data, which is very appealing from the practice point of view. The source code is freely available at http://github.com/lilizhaoUM/DNNSurv.

연구 동기 및 목표

• 이식된 생존 분석을 위한 기존 딥러닝 모델이 총생존 데이터를 위해 특수한 손실 함수를 필요로 하는 한계를 해결하기 위해.
• 임상적으로 의미 있는 생존 확률을 직접 출력하는 유연하고 실용적인 생존 위험 예측 방법을 개발하기 위해.
• 가상 관측치를 사용하여 총생존 데이터의 생존 분석 복잡성을 표준 회귀 문제로 전환함으로써 간소화하기 위해.
• 가상 관측치 생성 과정에서 총생존의 공변수 의존성에 대응하기 위해 역확률 총생존 가중치(IPCW)를 적용하기 위해.
• 비례위험가정이 위반될 경우 기존 PH 기반 딥러닝 모델보다 성능 향상을 입증하기 위해.

제안 방법

• 사용자 각각의 생존 시간을 사전 정의된 시간점에서의 잔여 조건부 생존 가상 확률로 변환한다.
• 이 가상 확률을 딥러닝 신경망의 반응 변수로 사용하여 생존 분석을 표준 회귀 과제로 전환한다.
• 가상 관측치 계산 과정에서 공변수 의존 총생존에 대응하기 위해 역확률 총생존 가중치(IPCW)를 적용한다.
• 카프만-마이어 추정기를 사용해 기저 생존 확률을 계산한 후, 잔여 표본 추출 방법을 적용하여 가상 관측치를 유도한다.
• 표준 회귀 손실 함수(예: 평균제곱오차)를 사용하여 가상 관측치에 대해 딥러닝 신경망을 훈련시켜 복잡한 특수 손실 함수를 피한다.
• 훈련된 모델을 사용해 임상적으로 관련성이 있는 시간점(예: 3년, 5년)에서 생존 확률을 예측한다.

실험 결과

연구 질문

• RQ1 총생존 시간을 가상 관측치로 변환함으로써 딥러닝 신경망을 생존 분석에 효과적으로 적용할 수 있는가?
• RQ2 표준 회귀 프레임워크에서 가상 관측치를 타겟으로 사용할 경우, 총생존 데이터를 위해 특수 손실 함수를 사용하는 기존 딥러닝 모델보다 성능이 뛰어나지 않는가?
• RQ3 비례위험가정이 위반될 경우 DNNSurv는 PH 기반 모델보다 어떻게 성능을 발휘하는가?
• RQ4 IPCW 조정된 가상 관측치를 통해 공변수 의존 총생존을 다룰 수 있는가?
• RQ5 위험 기반 모델보다 DNNSurv가 더 임상적으로 해석 가능한 예측(예: 생존 확률)을 제공하는가?

주요 결과

• CHS 및 MESA 데이터셋에서는 비례위험가정이 성립했으나, DNNSurv는 PH 기반 모델과 유사한 성능을 보였으며, c-index 값은 약 0.70–0.73 수준이었다.
• SRTR 데이터셋에서는 비례위험가정이 강하게 위반되었고(예: 냉동 이소화 시간 및 면역억제제 치료), DNNSurv는 c-index 0.78을 기록하여 PH 기반 모델(0.72–0.74)을 뚜렷이 앞섰다.
• nnet-survival은 MESA 연구에서 낮은 성능을 보였는데, 이는 총생존 데이터를 수월하게 처리하지 못했기 때문일 수 있으나, DNNSurv는 안정적인 성능을 유지했다.
• 모든 모델이 데이터셋 간 동일한 브리어 스코어를 보였으며, 이는 일관된 校정성( calibration )을 의미하지만, DNNSurv는 SRTR 연구에서 뛰어난 분류 능력을 보였다.
• CHS 연구에서 DNNSurv_ipcw에 IPCW를 포함시켰지만 표준 DNNSurv보다 성능 향상이 없었으며, 이는 총생존이 강하게 공변수 의존적이지 않았음을 시사한다.
• DNNSurv는 특정 시간점에서 생존 확률을 직접 출력하므로, 위험 비율이나 예후 지수보다 임상의사와 환자에게 더 해석 가능한 결과를 제공한다.