[논문 리뷰] Individual Data Protected Integrative Regression Analysis of High-Dimensional Heterogeneous Data

Tianxi Cai, Molei Liu외 1명|arXiv (Cornell University)|2019. 02. 16.

Statistical Methods and Inference참고 문헌 60인용 수 8

한 줄 요약

이 논문은 개인 정보 보호 제약 조건이 철저히 유지되는 상황에서 고차원적이고 이질적인 데이터의 통합 회귀 분석을 위한 새로운 방법인 SHIR (Data-SHielding High-dimensional Integrative Regression)를 제안한다. 분산된 연구소에서의 개별 데이터를 전송하지 않고 요약 통계자료만을 집계함으로써, SHIR는 전체 데이터 방법과 유사한 추정 효율성을 달성하고, 일致한 변수 선택을 보장하며, 이론적·시뮬레이션적으로도 탈편향 기반의 분산 접근 방식보다 뛰어나다.

ABSTRACT

Evidence-based decision making often relies on meta-analyzing multiple studies, which enables more precise estimation and investigation of generalizability. Integrative analysis of multiple heterogeneous studies is, however, highly challenging in the ultra high-dimensional setting. The challenge is even more pronounced when the individual-level data cannot be shared across studies, known as DataSHIELD contraint. Under sparse regression models that are assumed to be similar yet not identical across studies, we propose in this paper a novel integrative estimation procedure for data-Shielding High-dimensional Integrative Regression (SHIR). SHIR protects individual data through summary-statistics-based integrating procedure, accommodates between-study heterogeneity in both the covariate distribution and model parameters, and attains consistent variable selection. Theoretically, SHIR is statistically more efficient than the existing distributed approaches that integrate debiased LASSO estimators from the local sites. Furthermore, the estimation error incurred by aggregating derived data is negligible compared to the statistical minimax rate and SHIR is shown to be asymptotically equivalent in estimation to the ideal estimator obtained by sharing all data. The finite-sample performance of our method is studied and compared with existing approaches via extensive simulation settings. We further illustrate the utility of SHIR to derive phenotyping algorithms for coronary artery disease using electronic health records data from multiple chronic disease cohorts.

연구 동기 및 목표

• 개인 정보 보호 제약으로 인해 개별 데이터를 공유할 수 없는 상황에서 다수의 연구에서 고차원적이고 이질적인 데이터를 통합하는 데 도전하는 것.
• 데이터 개인정보 보호를 유지하면서도 정확한 변수 선택과 회귀 추정을 가능하게 하는 통계적으로 효율적이고 통신 부담이 적은 방법을 개발하는 것.
• 기존의 분산 학습 방법들이 모델의 이질성에 대응하지 못하거나 탈편향 절차로 인한 효율성 손실을 겪는 한계를 극복하는 것.
• 전체 데이터 접근이 가능한 이상적인 추정자와의 渐近적 동치성을 보여주는 이론적 보장을 확립하는 것.
• 다중 코hort EHR 데이터를 활용한 관류성 관계 질환의 표적화에 응용하여 방법의 실용성을 입증하는 것.

제안 방법

• SHIR는 개인 정보 보호를 위한 DataSHIELD 기준을 준수하기 위해 개별 데이터를 이전하지 않는 요약 통계 기반의 통합 프레임워크를 사용한다.
• 고차원 회귀에서 공유되는 구조를 활용하기 위해, 다양한 연구 간 회귀 계수의 지원과 크기의 유사성을 유도하기 위해 혼합 펜alty 함수를 적용한다.
• 개별 연구소의 요약 통계자료를 기반으로 한 공동 최적화 문제를 설정함으로써, 개별 데이터의 정밀도 행렬 계산이나 탈편향 추정자 전송이 필요 없도록 한다.
• 알고리즘은 각 현장에서 LASSO 문제를 한 번만 해결함으로써 통신 및 계산 오버헤드를 최소화한다.
• 이론적 분석 결과, 집계에 의한 추정 오차는 최소 최대 속도에 비해 무시할 만큼 작으며, 추정자는 이상적인 전체 데이터 추정자와 渐近적 동치성을 확보한다.
• 표준 정규성 조건과 희박성 조건 하에서 스파arsity가 입증되었으며, 국소 추정에 비해 최소 신호 강도에 대한 가정이 더 약하다.

실험 결과

연구 질문

• RQ1 개별 데이터를 공유하지 않고도 고차원적이고 이질적인 회귀 데이터 통합 시 전체 데이터 분석과 유사한 추정 효율성을 달성할 수 있는가?
• RQ2 개인 정보 보호 제약 하에서 다수의 연구 간 공변수 분포와 회귀 계수의 이질성을 효과적으로 모델링하고 보정할 수 있는가?
• RQ3 요약 통계자료 전용 접근 방식이 기존의 탈편향 기반 분산 방법에 비해 통계적 효율성과 변수 선택 일관성 측면에서 뛰어나다고 할 수 있는가?
• RQ4 제안된 방법과 모든 개별 데이터를 사용하는 이상 추정자 간 이론적 동치성을 확립할 수 있는가?
• RQ5 초고차원 설정에서 일관된 변수 선택(Sparsistency)을 보장하는 조건는 무엇인가?

주요 결과

• SHIR는 최소 최대 속도에 비해 무시할 만큼 작은 추정 오차를 기록하여 DataSHIELD 제약 조건 하에서도 높은 통계적 효율성을 입증한다.
• SHIR 추정자는 전체 데이터 접근이 가능한 이상 추정자와 渐近적 동치성을 확보하여 최적 수렴 속도를 달성한다.
• 시뮬레이션과 실제 데이터 모두에서 기존의 탈편향 기반 분산 방법보다 SHIR이 뛰어나며, 특히 정보 매트릭스가 조밀한 경우에 두드러진다.
• 표준 조건 하에서 스파arsity를 확보하였으며, 국소 추정에 비해 최소 신호 강도에 대한 가정이 더 약하다.
• 단 한 번의 통신 라운드만으로도 작동하며, 각 연구소에서 LASSO를 한 번만 해결함으로써 계산 및 통신 효율성이 뛰어나다.
• 다중 코hort EHR 데이터를 활용한 표적화 응용에서, SHIR는 높은 정확도와 개인정보 보호 준수를 동시에 확보한 관류성 관계 질환 예측 모델을 성공적으로 도출하였다.