[論文レビュー] Causal nearest neighbor rules for optimal treatment regimes

Xin Zhou, Michael R. Kosorok|arXiv (Cornell University)|Nov 22, 2017

Advanced Causal Inference Techniques参考文献 15被引用数 9

ひとこと要約

本稿では、精密医療における最適治療戦略の推定のため、局所的因果推論を用いた因果的k近傍（CNN）手法を提案する。この手法は、患者の共変量に基づいて近傍内での局所的因果推論を活用し、治療を割り当てる。この手法は普遍的一様収束性を示し、低次元では収束速度 $ n^{-1/2} $ を達成する。適応的バージョンは最適な距離尺度を学習し、暗黙の変数選択を実行することで性能を向上させる。

ABSTRACT

The estimation of optimal treatment regimes is of considerable interest to precision medicine. In this work, we propose a causal $k$-nearest neighbor method to estimate the optimal treatment regime. The method roots in the framework of causal inference, and estimates the causal treatment effects within the nearest neighborhood. Although the method is simple, it possesses nice theoretical properties. We show that the causal $k$-nearest neighbor regime is universally consistent. That is, the causal $k$-nearest neighbor regime will eventually learn the optimal treatment regime as the sample size increases. We also establish its convergence rate. However, the causal $k$-nearest neighbor regime may suffer from the curse of dimensionality, i.e. performance deteriorates as dimensionality increases. To alleviate this problem, we develop an adaptive causal $k$-nearest neighbor method to perform metric selection and variable selection simultaneously. The performance of the proposed methods is illustrated in simulation studies and in an analysis of a chronic depression clinical trial.

研究の動機と目的

• 近傍法の原則を因果推論フレームワーク内で用いて、単純でありながら理論的裏付けのある最適治療戦略の推定手法を開発すること。
• 一般条件下で因果的k近傍法の普遍的一様収束性と収束速度を確立すること。
• 高次元設定における次元の呪いを軽減するために、データ駆動の尺度選択を組み込んだ適応的因果的k近傍法を導入すること。
• 適応的距離尺度学習を通じて暗黙の変数選択を実現し、高次元データにおける性能を向上させること。
• シミュレーション研究および実臨床試験（慢性うつ病）において、既存手法を上回る本手法の優位性を示すこと。

提案手法

• 因果的k近傍（CNN）手法は、与えられた患者の共変量に基づいてk番目の近傍を特定し、その中での結果を比較することで治療効果を推定し、潜在的結果の期待値が最も高い治療を割り当てる。
• 局所的近傍内での条件付き平均潜在的結果を一貫して推定するため、逆確率重み付けと二重ロバスト推定を用いる。
• サンプルサイズが増加するにつれて推定された治療戦略がベイズ最適戦略に確率的に収束することを示すことにより、普遍的一様収束性を確立する。
• 正則性条件の下で、p = 1 もしくは 2 の場合に収束速度 $ n^{-1/2} $ を得られ、$ p o orall p eq 1,2 $ の場合に $ n^{-2/(p+2)} $ を得る。
• 適応的因果的k近傍（ACNN）手法は、共変量の重み付き組み合わせを通じてデータに適応する距離尺度を学習し、効果的に変数選択を実行する。
• 不規則性を抑えるためのペナルティ付き尤度アプローチを用いて適応的尺度を最適化し、関係の薄い共変量の寄与を縮小することで次元の呪いの影響を軽減する。

実験結果

リサーチクエスチョン

• RQ1 近傍法を因果推論に適応させ、理論的保証を伴う最適治療戦略推定が可能か？
• RQ2 異なる共変量次元における因果的k近傍法の収束速度は何か？
• RQ3 サンプルサイズが増加するにつれて、この手法は普遍的一様収束性を保つのか？
• RQ4 適応的尺度学習は高次元治療戦略推定における次元の呪いを緩和できるか？
• RQ5 有限標本において、適応的因果的k近傍法はQ学習、AIPWE、l1ペナルティ付き最小二乗法といった既存手法と比較してどうなるか？

主な発見

• 因果的k近傍法は普遍的一様収束性を示し、これは、いかなる元のデータ分布に対しても、漸近的に最適治療戦略を学習できることを意味する。
• 低次元設定（p=5）では、収束速度 $ n^{-1/2} $ を達成し、非パラメトリック手法としては最適な性能を示す。
• 低次元設定（p=5）では、ACNNがCNN、ランダムフォレストを用いたQ学習、AIPWEを上回った。特に非線形治療効果が存在する状況で顕著であった。
• 中程度次元設定（p=25）では、誤ったモデル仕様（シナリオ2および3）においてACNNが著しく他の手法を上回り、n=800で価値関数推定値が最適水準に近づいた。
• 真のモデルが正しく指定された場合（シナリオ1）にはl1ペナルティ付き最小二乗法が最も優れていたが、ACNNは全シナリオにわたり競争力があり、頑健であった。
• 適応的手法は、学習された距離尺度を通じて関係の薄い共変量の重みを低下させることで、暗黙の変数選択を実現し、高次元設定での性能向上に寄与した。