[논문 리뷰] SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data

Alicia Curth, Changhee Lee외 1명|arXiv (Cornell University)|2021. 10. 26.

Advanced Causal Inference Techniques인용 수 13

한 줄 요약

SurvITE는 표현 균형을 통해 다중 공변량 이동 원인을 해결하면서 시간-사망 데이터로부터 이질적 치료 효과를 추정하기 위한 딥러닝 방법을 제안한다. 다양한 시뮬레이션 설정에서 생존 함수 및 치료 효과 추정에서 베이스라인을 능가하며, 특히 혼란 요인, 정보가 있는 정지, 사건 유도 공변량 이동을 완화한다.

ABSTRACT

We study the problem of inferring heterogeneous treatment effects from time-to-event data. While both the related problems of (i) estimating treatment effects for binary or continuous outcomes and (ii) predicting survival outcomes have been well studied in the recent machine learning literature, their combination -- albeit of high practical relevance -- has received considerably less attention. With the ultimate goal of reliably estimating the effects of treatments on instantaneous risk and survival probabilities, we focus on the problem of learning (discrete-time) treatment-specific conditional hazard functions. We find that unique challenges arise in this context due to a variety of covariate shift issues that go beyond a mere combination of well-studied confounding and censoring biases. We theoretically analyse their effects by adapting recent generalization bounds from domain adaptation and treatment effect estimation to our setting and discuss implications for model design. We use the resulting insights to propose a novel deep learning method for treatment-specific hazard estimation based on balancing representations. We investigate performance across a range of experimental settings and empirically confirm that our method outperforms baselines by addressing covariate shifts from various sources.

연구 동기 및 목표

• 임상 및 역학 연구에서 흔한 시간-사망 결과에서 이질적 치료 효과를 추정하기 위한 머신러닝 방법의 격차를 보완하기 위해.
• 표준 혼란 요인과 정지 외에 다중 공변량 이동 원인으로 인해 발생하는 치료별 조건부 위험 함수 추정의 고유한 과제를 정식화하고 분석하기 위해.
• 치료, 정지, 사건 유도 이동에 의한 공변량 이동을 균형 잡는 신경망 기반의 새로운 방법을 개발하여 위험 함수 및 생존 함수 추정을 향상시키기 위해.
• 다양한 시뮬레이션 데이터 시나리오 하에서 치료 효과 및 생존 역학 추정에서 베이스라인에 비해 우수한 성능을 경험적으로 검증하기 위해.

제안 방법

• 딥 뉴럴 네트워크를 사용하여 이산 시간에서 치료별 조건부 위험 함수를 추정하며, 위험 추정을 위한 공유 및 시간별 전용 헤드를 포함한다.
• 비임의적 치료 배정, 정보가 있는 정지, 사건 유도 이동으로 인한 공변량 이동을 완화하기 위해 도메인 적응 스타일 정규화를 사용하는 표현 균형 메커니즘을 도입한다.
• 표현 정렬과 예측 성능 사이의 트레이드오프를 제어하기 위해 균형 계수 β를 사용하며, 검증 세트 성능을 통해 선택한다.
• 치료 간섭 없이 표준 생존 설정에서 개별화된 위험 추정을 위한 변형인 SurvIHE를 제안한다.
• 표현을 다중 공변량 이동 원인 간에 정렬하기 위해 역확률가중치와 모멘트 매칭(IPM)을 사용한다.
• 학습 데이터가 제한적일 경우 일반화 성능을 향상시키기 위해 시간 단계 간 스무딩과 파라미터 공유라는 두 가지 아블레이션 기법을 도입한다.

실험 결과

연구 질문

• RQ1 혼란 요인, 정보가 있는 정지, 사건 유도 이동을 포함한 다중 공변량 이동 원인이 시간-사망 데이터에서 치료별 위험 함수 추정에 미치는 영향은 무엇인가?
• RQ2 이러한 공변량 이동이 생존 치료 효과 추정에서 경험적 리스크 최소화에 이론적으로 미치는 영향은 무엇인가?
• RQ3 딥러닝 모델에서 표현 균형이 이러한 다중 이동 원인의 병합된 영향을 효과적으로 완화하여 위험 함수 및 생존 함수 추정을 향상시킬 수 있는가?
• RQ4 제안된 SurvITE 모델은 시간-사망 결과에서 이질적 치료 효과를 추정하는 데 기존의 베이스라인과 비교해 어떻게 성능이 뛰어나게 되는가?
• RQ5 치료 효과 추정 및 분류 성능 측면에서 최적의 성능을 내는 하이퍼파rameter 설정(예: 균형 계수 β)은 무엇인가?

주요 결과

• SurvITE는 모든 시뮬레이션 시나리오에서 치료별 생존 함수 및 이질적 치료 효과(HTE) 추정에서 모든 베이스라인을 능가하며, 다중 이동 원인이 복합적으로 작용하는 복잡한 설정에서 가장 큰 성능 향상을 보였다.
• S3 및 S4 시나리오에서 시간 단계별로 최고의 C-index를 기록하여 생존 예측의 우수한 분류 성능를 입증하였다.
• 검증을 통해 최적의 균형 계수 β = 0.001을 선택하였으며, 이는 높은 값은 분류 성능를 떨어뜨리고, 낮은 값은 표현 균형을 충분히 확보하지 못하기 때문이다.
• 스무딩과 파라미터 공유 기법은 제한된 학습 데이터(예: 2000개 샘플) 상황에서 성능 향상에 크게 기여하였으며, 모델 유연도가 감소함에도 불구하고 합리적인 정확도를 유지하였다.
• 위험 함수 추정 결과는 생존 함수 결과와 유사하게 나타났으며, SurvITE는 가장 낮은 RMSE를 기록하였다. 다만 오차 누적이 후기 시간 단계에서 모델 간 차이에 민감도가 약간 낮아지는 경향을 보였다.
• 감도 분석 결과 중간 정도의 IPM 정규화가 핵심적임을 확인하였다. 과도한 정규화는 정보 유지에 악영향을 주며, 부적절한 정규화는 공변량 이동을 충분히 균형 잡지 못한다.