[논문 리뷰] Nonparametric Bayesian Lomax delegate racing for survival analysis with competing risks

Quan Zhang, Mingyuan Zhou|arXiv (Cornell University)|2018. 10. 19.

Statistical Methods and Inference인용 수 13

한 줄 요약

이 논문은 경쟁 위험에서 시간-사건을 하위 위험 간의 경주로 모델링하는 비모수 베이지안 생존 모델인 Lomax 위임 레이싱(Lomax Delegate Racing, LDR)을 제안한다. 이 모델은 유한하지 않은 하위 위험을 자동으로 단순화하는 감마 과정을 사용하여, 비단조화적 공변수 효과를 포착하고, C-지수와 브리어 점수에서 벤치마크를 능가한다. 하위 위험 대표자와 게시스 샘플링 및 확률적 경량 최대사후확률(MAP)을 통한 확장 가능한 추론을 통해 강력한 해석 가능성도 제공한다.

ABSTRACT

We propose Lomax delegate racing (LDR) to explicitly model the mechanism of survival under competing risks and to interpret how the covariates accelerate or decelerate the time to event. LDR explains non-monotonic covariate effects by racing a potentially infinite number of sub-risks, and consequently relaxes the ubiquitous proportional-hazards assumption which may be too restrictive. Moreover, LDR is naturally able to model not only censoring, but also missing event times or event types. For inference, we develop a Gibbs sampler under data augmentation for moderately sized data, along with a stochastic gradient descent maximum a posteriori inference algorithm for big data applications. Illustrative experiments are provided on both synthetic and real datasets, and comparison with various benchmark algorithms for survival analysis with competing risks demonstrates distinguished performance of LDR.

연구 동기 및 목표

• 비례 위험 모델이 경쟁 위험 생존 분석에서 비단조화적 공변수 효과를 포착하는 데에 한계가 있음을 해결하기 위해.
• 사전에 수를 지정하지 않고도 알려지지 않은 사건의 하위 유형을 탐지할 수 있는 유연하고 해석 가능한 모델을 개발하기 위해.
• 결측된 사망 시간 또는 유형이 있는 경우에도 견고한 추론을 가능하게 하고, 소규모 및 대규모 데이터 응용에 모두 적합하기 위해.
• 과적합을 방지하기 위해 자연스럽게 수축을 통합하는 계층적 비모수 베이지안 프레임워크를 제공하기 위해.

제안 방법

• LDR는 각 위험 하에서 잠재적으로 무한한 수의 하위 위험 간의 경주로 생존를 모델링하며, 각 하위 위험은 지수 경주 과정에 의해 지배된다.
• 하위 위험 강도에 감마 과정 사전분포를 사용하여 무한한 수의 하위 위험을 허용하면서도, 수축을 통한 자동 모델 복잡도 선택이 가능하도록 한다.
• 모델은 하위 위험 경주 역학을 관측된 사망 시간과 연결하기 위해 근사 생존 시간 분포로 Lomax 분포를 사용한다.
• 중간 크기의 데이터셋에서 추론을 위해 데이터 증강을 통한 게시스 샘플링 기법이 개발되었으며, 캔서닝, 결측 또는 불완전한 데이터를 포함한다.
• 대규모 데이터셋에서의 확장 가능한 추론을 위해 확률적 경량 최대사후확률(Stochastic Gradient MAP, SG-MAP) 알고리즘이 제안되었다.
• 하위 위험 대표자는 관측된 공변수의 가중 평균으로 계산되며, 하위 위험 강도의 사후 기대값에서 유도된 가중치를 사용한다.

실험 결과

연구 질문

• RQ1 비모수 베이지안 모델이 경쟁 위험 생존 분석에서 비단조화적 공변수 효과를 효과적으로 포착할 수 있는가?
• RQ2 사전에 수를 지정하지 않고도 모델이 알려지지 않은 사건의 하위 유형을 자동으로 탐지할 수 있는가?
• RQ3 계층적이고 무한한 하위 위험 모델이 기존의 경쟁 위험 모델에 비해 예측 정확도와 해석 가능성에서 얼마나 향상되는가?
• RQ4 모델은 자료 부족, 결측된 사망 시간, 또는 결측된 사망 유형 상황에서도 얼마나 잘 성능을 발휘하는가?

주요 결과

• LDR는 합성 데이터와 실제 데이터셋 모두에서 뛰어난 성능을 발휘하며, 특히 비선형 공변수 효과가 있는 경우 Cox, Fine-Gray 및 기타 벤치마크 모델보다 항상 C-지수와 브리어 점수에서 뛰어나다.
• 합성 데이터 2와 DLBCL의 T3에서 공변수 효과가 비선형인 경우, LDR의 브리어 점수는 Cox, FG 및 BST보다 유의미하게 낮고, 랜덤 포레스트와 유사하거나 더 낫다.
• 모델은 DLBCL에서 구분되는 하위 위험(예: ABC, GCB, T3)을 성공적으로 식별했으며, 하위 위험 대표자들이 군집 중심에 위치하여 생물학적 이질성을 확인한다.
• SEER 데이터에서는 각 위험(유방암, 난소암)에 대해 하나의 대표자를 학습했으며, 관측된 사망 군집의 중심에 위치하여 모델의 해석 가능성에 대한 검증을 제공한다.
• Isomap 시각화 결과 하위 위험 대표자들이 의미 있는 유전자 발현 프로파일을 반영함을 확인하여 생물학적으로 구분 가능한 하위 유형의 존재를 뒷받침한다.
• SG-MAP 추론 알고리즘이 대규모 데이터셋에서의 확장 가능한 학습을 가능하게 하여, LDR가 소규모 연구를 넘어서도 적용 가능하게 한다.