[논문 리뷰] Deep Survival: A Deep Cox Proportional Hazards Network.

Jared Katzman, Uri Shaham외 4명|arXiv (Cornell University)|2016. 06. 02.

Machine Learning in Healthcare참고 문헌 28인용 수 82

한 줄 요약

이 논문은 선형 및 비선형 위험 함수를 모델링할 수 있도록 신경망을 활용하는 Cox 비례 위험 모델의 딥러닝 확장인 DeepSurv을 소개한다. 이 모델은 예측 정확도에서 전통적인 Cox 모델과 다른 생존 모델을 능가하며, 치료 그룹 임bedding을 통해 개인화된 치료 권고를 가능하게 하며, 오픈소스 파이썬 구현을 제공한다.

ABSTRACT

Previous research has shown that neural networks can model survival data in situations in which some patients' death times are unknown, e.g. right-censored. However, neural networks have rarely been shown to outperform their linear counterparts such as the Cox proportional hazards model. In this paper, we run simulated experiments and use real survival data to build upon the risk-regression architecture proposed by Faraggi and Simon. We demonstrate that our model, DeepSurv, not only works as well as other survival models but actually outperforms in predictive ability on survival data with linear and nonlinear risk functions. We then show that the neural network can also serve as a recommender system by including a categorical variable representing a treatment group. This can be used to provide personalized treatment recommendations based on an individual's calculated risk. We provide an open source Python module that implements these methods in order to advance research on deep learning and survival analysis.

연구 동기 및 목표

• 선형 모델(예: 코크스 회귀)에 비해 생존 데이터에서 예측 성능을 향상시키는 딥러닝 모델을 개발하는 것.
• 생존 분석에서 선형 및 비선형 위험 함수를 모델링하는 데에 신경망의 효과를 입증하는 것.
• 개별 치료 권고를 위한 치료 그룹 변수를 통합하여 모델을 확장하는 것.
• 딥러닝을 위한 생존 분석 연구를 가속화하기 위해 오픈소스 구현을 제공하는 것.

제안 방법

• 파라지와 시몬의 리스크-재구성 아키텍처를 생존 모델링을 위한 딥 네ural 네트워크 프레임워크로 변형한다.
• 복잡한 비선형 관계를 코 변수와 위험 함수 간에 학습하기 위해 딥 피드포워드 신경망을 사용한다.
• 우측 절단된 생존 데이터를 학습하기 위해 코크스 비례 위험 손실 함수를 적용한다.
• 개별화된 위험 예측 및 치료 효과 추정을 가능하게 하기 위해 범주형 치료 그룹 변수를 학습된 임베딩으로 통합한다.
• 오버피팅을 방지하기 위해 정규화를 포함한 표준 딥러닝 최적화 기법(예: 확률적 경사 하강법)을 사용한다.
• 시뮬레이션된 및 실세계 데이터셋에서 콘cordance 지수(c-index) 및 기타 표준 생존 지표를 사용하여 모델 성능을 검증한다.

실험 결과

연구 질문

• RQ1 딥 네ural 네트워크가 생존 결과 예측에서 표준 코크스 비례 위험 모델을 능가할 수 있는가?
• RQ2 비선형 위험 함수를 포함한 생존 데이터에서 제안된 딥러닝 모델이 선형 모델에 비해 얼마나 잘 성능을 발휘하는가?
• RQ3 치료 그룹 정보를 통합함으로써 모델이 추천 시스템으로서 얼마나 잘 기능하는가?
• RQ4 치료 그룹 임베딩의 포함이 개인화된 위험 예측 및 치료 선택을 향상시키는가?

주요 결과

• DeepSurv은 선형 및 비선형 위험 함수를 포함한 시뮬레이션된 데이터셋에서 표준 코크스 비례 위험 모델보다 예측 정확도에서 뛰어난 성능을 보였다.
• 기준 모델 대비 높은 콘코르던스 지수를 달성하여 생존 시간의 순서 정렬 능력이 향상됨을 나타냈다.
• 범주형 임베딩으로서의 치료 그룹 통합은 모델이 개인화된 위험 예측을 생성하고 치료 권고를 지원하는 데 기여했다.
• 모델은 실세계 생존 데이터셋에서도 뛰어난 성능을 유지하여 합성 데이터를 초월한 일반화 능력을 입증했다.
• 오픈소스 파이썬 구현은 재현 가능성을 보장하고 생존 분석을 위한 딥러닝 연구를 촉진한다.
• 결과는 딥 네ural 네트워크가 선형 모델이 실패하는 복잡한 생존 패턴을 효과적으로 모델링할 수 있음을 확인시켰다.