[論文レビュー] Deep Learning for Survival Analysis: A Review

Simon Wiegrebe, Philipp Kopper+3 more|arXiv (Cornell University)|May 24, 2023

Health, Environment, Cognitive Aging参考文献 142被引用数 6

ひとこと要約

本論文は、生存分析における深層学習（DL）手法について包括的な系統的レビューを提示し、生存およびDL固有の特性に基づいて分類している。主なメソドロジカルなギャップ（複雑な打ち切りやマルチリスク状況の取り扱いの制限など）を特定し、DLベースの生存モデルを追跡・更新するためのオープンソースでインタラクティブな表を導入することで、分野におけるコミュニティ主導の進展を促進している。

ABSTRACT

The influx of deep learning (DL) techniques into the field of survival analysis in recent years has led to substantial methodological progress; for instance, learning from unstructured or high-dimensional data such as images, text or omics data. In this work, we conduct a comprehensive systematic review of DL-based methods for time-to-event analysis, characterizing them according to both survival- and DL-related attributes. In summary, the reviewed methods often address only a small subset of tasks relevant to time-to-event data - e.g., single-risk right-censored data - and neglect to incorporate more complex settings. Our findings are summarized in an editable, open-source, interactive table: https://survival-org.github.io/DL4Survival. As this research area is advancing rapidly, we encourage community contribution in order to keep this database up to date.

研究の動機と目的

• 生存分析に応用された深層学習手法を系統的にレビューし、そのメソドロジカルな設計と適用可能性に焦点を当てる。
• 現在のDLベースの生存モデルにおける共通する制限要因（例：複数リスクや区間打ち切りイベントといった複雑なデータ構造の取り扱いの範囲が狭いこと）を特定する。
• DLベースの生存モデルを追跡・分類するための構造的でオープンかつ編集可能なフレームワークを提供し、継続的な研究を支援する。
• コミュニティの貢献を促進し、DLの生存分析分野における最新で包括的なリソースを持続可能に維持・更新する。
• 深層学習を用いた生存分析分野における現在の最先端技術を評価し、今後のメソドロジカルな開発を導く。

提案手法

• 著者は、時間イベントデータを対象とした、深層学習を用いた生存分析に関する査読済み論文の系統的文献レビューを実施した。
• 手法は、生存分析の特性（例：打ち切りタイプ、リスク構造）および深層学習のコンponents（例：ネットワークアーキテクチャ、損失関数）に基づいて分類された。
• 本レビューには、画像、テキスト、オミクスデータなど、さまざまなデータタイプを含め、DLが高次元または非構造化入力に対応できる能力を評価した。
• レビューされた手法をカタログ化するためのインタラクティブでオープンソースかつ編集可能な表を構築し、https://survival-org.github.io/DL4Survival にホスティングした。
• フレームワークは動的更新とコミュニティ貢献をサポートしており、継続的な関連性と正確性を保証する。
• 公開リソースやコードへのリンクを通じて、メソドロジカルな透明性と再現可能性を強調した。

実験結果

リサーチクエスチョン

• RQ1 生存分析において最も一般的に使用されている深層学習アーキテクチャは何か？ また、それらは打ち切りまたは切断された時間イベントデータをどのように処理しているか？
• RQ2 既存のDLベースの生存モデルは、単一リスク・右打ち切りデータを超えて、競合リスクや区間打ち切りといったより複雑なシナリオにどの程度一般化できるか？
• RQ3 画像、テキスト、オミクスデータといった異なるデータモダリティにおいて、生存分析用のDL手法はどのように性能を発揮しているか？
• RQ4 現在のDLベースの生存モデルにおける主なメソドロジカルなギャップ（特に解釈可能性と頑健性の観点から）は何か？
• RQ5 研究コミュニティは、DLベースの生存分析手法の包括的かつ最新のカタログを、どのように持続可能に維持・更新できるか？

主な発見

• レビューされた大多数のDLベースの生存モデルは、単一リスク・右打ち切りデータに限定されており、競合リスクや区間打ち切りといったより複雑な生存設定の取り扱いを無視している。
• 医用画像やオミクスプロファイルのような高次元または非構造化データの処理においては進展が見られるものの、多くのモデルは現実の臨床データの複雑さに一般化できない。
• 本レビューでは、DLベースの生存手法間で評価指標や報告手法の標準化が著しく欠落していることが特定された。
• 著者らは、https://survival-org.github.io/DL4Survival に、オープンでインタラクティブかつコミュニティメンテナンス型のデータベースを構築し、リリースした。
• このデータベースは編集可能で拡張可能に設計されており、継続的なキュレーションを可能にし、分野の進化に伴ってリソースが最新の状態を保てるようにしている。
• 本研究は、特にマルチイベントや動的予測のシナリオをモデル化する点で、DLを用いた生存分析における即時のメソドロジカルなイノベーションの必要性を強調している。