[논문 리뷰] Prediction-Oriented Transfer Learning for Survival Analysis

Yu (Jen) Gu, Donglin Zeng외 1명|arXiv (Cornell University)|2026. 03. 12.

Statistical Methods and Inference인용 수 0

한 줄 요약

소스 연구에서 예측 지식을 전달하여 대상 연구의 예측을 향상시키되 개인 수준 데이터를 공유하지 않는 생존 분석용 예측 지향 전달 학습(POTL)을 도입합니다.

ABSTRACT

Transfer learning is beneficial for survival analysis, especially when the target study has a limited number of events. However, existing transfer learning methods rely on the restrictive assumption that the target and source studies share similar parameters under Cox models, and most require access to individual-level source data. In this article, we propose a novel transfer learning framework that enhances model-based survival prediction by transferring predictive rather than distributional knowledge from source studies. Our approach employs flexible semiparametric transformation models for the target data while eliminating the need to model or share the source data. The ingeniously designed penalty enables simple and stable computation via an EM algorithm. We rigorously establish the asymptotic properties of the proposed estimator and show that it achieves a faster convergence rate than the target-only estimator when source knowledge is sufficiently accurate. We demonstrate the advantages of our methods through extensive simulation studies and an application to two major breast cancer studies.

연구 동기 및 목표

• 한정된 이벤트를 가진 대상 연구의 생존 예측 개선 동기 부여.
• 분포 파라미터가 아니라 예측 지식을 전달하는 유연한 전달 학습 프레임워크를 개발.
• 개인 수준 데이터를 공유하지 않고 다양한 소스 모델 사용 가능하게.
• 수렴성과 수렴 속도에 대한 이론적 보장을 갖는 EM 기반 알고리즘 제공.
• 시뮬레이션 및 유방암 데이터 적용을 통해 효과성 입증.

제안 방법

• 변환 G의 광범위한 클래스와 함께 대상에 대해 반파라메트릭 변환 모델 사용.
• 대상 생존 예측을 S_hat(t|X)의 풀링된 소스 예측과 정렬시키는 예측 지향 페널티 구성.
• 목표 로그우도 최대화와 생존 예측에 대한 교차 엔트로피 유형 페널티를 결합한 최적화 문제로 공식화.
• 현재 상태 데이터와 연계된 대리 페널티 도입으로 EM 알고리즘을 통한 안정적 계산 가능.
• 기본 누적 위험을 계단 함수로 간주하고 M-단계에서 그 점프를 명시적으로 업데이트한다.
• POTL 추정치가 최소한 대상-전용 속도에 도달하고 소스 예측이 정확할 때 더 빠른 속도를 달성하는 점근 이론을 제공한다.

실험 결과

연구 질문

• RQ1 여러 소스 연구의 예측 지식이 개인 수준 데이터를 공유하지 않고도 대상 연구의 생존 예측을 향상시킬 수 있는가?
• RQ2 대상과 소스 생존 예측 간의 유사성을 어떻게 정량화하고 페널티로 적용해야 하는가?
• RQ3 Cox를 넘어선 변환 모델(예: 비례 오즈, 변환 모델)이 covariate shift나 모델 타입 차이 하에서 POTL의 이점을 얻을 수 있는가?
• RQ4 POTL의 이론적 수렴 특성은 무엇이며 실제로 튜닝 파라미터를 어떻게 선택해야 하는가?
• RQ5 소스-대상 모델 타입과 공변량 구성이 다양한 시뮬레이션 및 실제 데이터에서 POTL의 성능은 어떠한가?

주요 결과

SC	지표	POTL	대상-전용	TransCox	CoxTL	풀링
1	L2D	0.037 (0.017)	0.079 (0.027)	0.063 (0.028)	0.039 (0.031)	0.021 (0.007)
1	Dτ	0.024 (0.018)	0.065 (0.029)	0.049 (0.029)	0.031 (0.025)	0.017 (0.008)
1	C-index	0.581 (0.004)	0.577 (0.009)	0.581 (0.004)	0.580 (0.005)	0.581 (0.003)
1	IBS	0.191 (0.002)	0.193 (0.003)	0.192 (0.002)	0.191 (0.002)	0.190 (0.001)
1	RMST	0.650 (0.007)	0.652 (0.015)	0.650 (0.013)	0.651 (0.008)	0.651 (0.005)
2	L2D	0.046 (0.015)	0.079 (0.027)	0.063 (0.028)	0.045 (0.022)	0.035 (0.008)
2	Dτ	0.045 (0.023)	0.065 (0.029)	0.048 (0.030)	0.051 (0.023)	0.045 (0.014)
2	C-index	0.581 (0.004)	0.577 (0.009)	0.580 (0.004)	0.580 (0.005)	0.581 (0.003)
2	IBS	0.191 (0.002)	0.193 (0.003)	0.192 (0.002)	0.191 (0.002)	0.190 (0.001)
2	RMST	0.651 (0.007)	0.652 (0.015)	0.651 (0.013)	0.652 (0.008)	0.653 (0.005)
3	L2D	0.057 (0.017)	0.079 (0.027)	0.065 (0.023)	0.057 (0.021)	0.049 (0.009)
3	Dτ	0.052 (0.020)	0.065 (0.029)	0.050 (0.023)	0.055 (0.020)	0.052 (0.010)
3	C-index	0.580 (0.005)	0.577 (0.009)	0.580 (0.005)	0.580 (0.005)	0.581 (0.003)
3	IBS	0.192 (0.002)	0.193 (0.003)	0.192 (0.002)	0.192 (0.002)	0.191 (0.001)
3	RMST	0.649 (0.008)	0.652 (0.015)	0.648 (0.013)	0.649 (0.008)	0.648 (0.005)
4	L2D	0.052 (0.029)	0.084 (0.030)	0.066 (0.023)	0.049 (0.025)	0.054 (0.026)
4	Dτ	0.040 (0.028)	0.070 (0.032)	0.050 (0.025)	0.041 (0.022)	0.064 (0.036)
4	C-index	0.581 (0.005)	0.577 (0.009)	0.580 (0.005)	0.580 (0.005)	0.581 (0.003)
4	IBS	0.191 (0.002)	0.193 (0.003)	0.192 (0.002)	0.191 (0.002)	0.190 (0.001)
4	RMST	0.651 (0.009)	0.652 (0.015)	0.653 (0.013)	0.649 (0.009)	0.654 (0.006)
5	L2D	0.053 (0.027)	0.084 (0.030)	0.064 (0.024)	0.050 (0.023)	0.058 (0.028)
5	Dτ	0.043 (0.029)	0.070 (0.032)	0.050 (0.023)	0.043 (0.020)	0.063 (0.038)
5	C-index	0.580 (0.005)	0.577 (0.009)	0.580 (0.005)	0.580 (0.005)	0.581 (0.004)
5	IBS	0.191 (0.002)	0.193 (0.003)	0.192 (0.002)	0.191 (0.002)	0.190 (0.001)
5	RMST	0.653 (0.009)	0.652 (0.015)	0.653 (0.013)	0.657 (0.009)	0.656 (0.006)

• POTL은 대상 단독, TransCox, CoxTL, 풀링 분석과 비교하여 다섯 가지 시나리오에서 경쟁력 있거나 우수한 예측 정확도를 달성합니다.
• POTL은 개인 수준 데이터를 공유하지 않는 방식으로 L2D, Dτ 에러를 낮추는 경향이 있으며 C-지수 및 RMST 지표에서도 경쟁력이 있습니다.
• 대리 페널티를 활용한 EM 알고리즘으로 안정적이고 단조로운 개선 및 효율적 계산이 보장됩니다.
• 공변량 시프가 발생하고 소스와 대상 모델의 유형이 다를 때도 방법이 견고합니다.
• 시뮬레이션 결과 및 TCGA–BRCA 및 METABRIC 유방암 데이터 적용은 실용적 효과를 입증합니다.