[논문 리뷰] Gaussian Processes for Survival Analysis

Tamara Fernández, Nicolás Rivera외 1명|arXiv (Cornell University)|2016. 11. 02.

Statistical Methods and Inference참고 문헌 10인용 수 33

한 줄 요약

이 논문은 비모수적 가우시안 프로세스를 사용하여 위험 함수를 민감하게 모델링하면서도 공변량을 포함하고 왼쪽, 오른쪽, 간격 관측이 가능한 반응형 생존 모델을 제안한다. 이 모델은 기저 위험 함수로 파라미터 기반 모델을 사용하고, 강력한 추론을 위해 마르코프 체인 몬테 카를로(MCMC)와 무작위 푸리에 특징을 활용한다. 이는 시뮬레이션 및 실세계 데이터에서 코크스 비례 위험 모델, ANOVA-DDP, 랜덤 생존 숲보다 뛰어난 성능을 보였다.

ABSTRACT

We introduce a semi-parametric Bayesian model for survival analysis. The model is centred on a parametric baseline hazard, and uses a Gaussian process to model variations away from it nonparametrically, as well as dependence on covariates. As opposed to many other methods in survival analysis, our framework does not impose unnecessary constraints in the hazard rate or in the survival function. Furthermore, our model handles left, right and interval censoring mechanisms common in survival analysis. We propose a MCMC algorithm to perform inference and an approximation scheme based on random Fourier features to make computations faster. We report experimental results on synthetic and real data, showing that our model performs better than competing models such as Cox proportional hazards, ANOVA-DDP and random survival forests.

연구 동기 및 목표

• 비례 위험과 같은 강력한 파라미터 가정을 피하면서도 민감하고 해석 가능한 베이지안 생존 모델을 개발하는 것.
• 전문 지식을 파라미터 기반 기저 위험 함수를 통해 통합하면서도 비모수적 가우시안 프로세스를 통해 유연성을 확보하는 것.
• 생존 데이터에서 흔한 왼쪽, 오른쪽, 간격 관측과 같은 다양한 관측 메커니즘을 처리하는 것.
• 무작위 푸리에 특징을 활용해 대규모 데이터셋에 대한 효율적인 추론을 가능하게 하는 것.
• 예측 성능 측면에서 기존 모델인 코크스 비례 위험 모델, ANOVA-DDP, 랜덤 생존 숲보다 뛰어나지 않는가를 평가하는 것.

제안 방법

• 위험 함수는 파라미터 기반 기저 위험 함수와 비음수 성질을 가진 가우시안 프로세스에서 유도된 함수의 곱으로 모델링된다.
• 포아송 프로세스의 강도를 사용해 생존 시간을 시뮬레이션하며, 이 강도는 가우시안 프로세스에 의해 결정되어 가우시안 코크스 프로세스를 형성한다.
• 유한 차원의 가우시안 프로세스 경로 근사에 기반한 수정된 MCMC 알고리즘을 사용해 정확한 추론을 수행한다.
• 계산을 가속화하고 더 큰 데이터셋에 모델을 확장하기 위해 무작위 푸리에 특징 근사를 도입한다.
• 비모수적 성분을 통해 공변량 의존성 위험 함수 모델링이 가능해져 입력 특징에 대한 민감한 의존성을 제공한다.
• 모든 형태의 관측을 전체 가능도 프레임워크 내에서 관측된 관측의 가능도를 모델링함으로써 모든 종류의 관측을 처리한다.

실험 결과

연구 질문

• RQ1 반응형 생존 분석에서 파라미터 기반 기저 위험 함수의 해석 가능성과 비모수적 가우시안 프로세스의 유연성을 동시에 확보할 수 있는가?
• RQ2 비음수성을 보장하면서도 효율적인 추론이 가능한 가우시안 프로세스를 위험 함수 모델링에 어떻게 활용할 수 있는가?
• RQ3 제안된 모델이 코크스 비례 위험 모델 및 랜덤 생존 숲과 비교해 일致성 지수 및 생존 곡선 추정 측면에서 뛰어나지 않는가?
• RQ4 정확성과 해석 가능성 유지 조건에서 대규모 데이터셋에 대해 어떻게 확장할 수 있는가?
• RQ5 실세계 생존 데이터에서 복잡한 비비례 위험 구조에 모델이 얼마나 잘 적응하는가?

주요 결과

• 베터너 폐암 환자 데이터셋에서 제안된 모델은 코크스 비례 위험 모델, ANOVA-DDP, 랜덤 생존 숲보다 더 높은 일치 지수(C-index)를 달성했다.
• 베터너 데이터셋에서 고 Karnofsky 성능 점수(예: 90점)에서 치료 효과의 의미 있는 차이를 탐지했으며, 다른 모델들은 이를 포착하지 못했다.
• 코크스 비례 위험 모델 및 랜덤 생존 숲이 보여주는 더 급격하고 현실적이지 않은 곡선과는 달리, 모델은 개선된 시각적 적합도와 더 부드러운 생존 곡선을 보였다.
• ANOVA-DDP는 저성능 점수에서 생존 함수를 과대평가하여 모델의 잘못된 특정화 가능성을 시사했다.
• 무작위 푸리에 특징 근사는 더 큰 데이터셋에서 효율적인 추론을 가능하게 했지만, 고차원 공변량 상호작용에서는 확장성에 한계가 있었다.
• 모델은 생존 함수 추정에 대해 강건성을 보였지만, 특히 t=0 근처에서 초기 시점 추정에 다소 민감함을 보였다.