[論文レビュー] DNNSurv: Deep Neural Networks for Survival Analysis Using Pseudo Values

Lili Zhao, Dai Feng|arXiv (Cornell University)|Aug 6, 2019

Machine Learning in Healthcare参考文献 27被引用数 17

ひとこと要約

本稿では、右側打ち切り生存時間をジャックナイフ擬似生存確率に変換することで、複雑な生存予測を標準回帰問題に変換する深層学習手法DNNSurvを提案する。比例ハザード仮定が満たされない状況下でも、従来のPHベースのモデルを上回る性能を達成する一方で、臨床的に解釈可能な生存確率を直接出力する。

ABSTRACT

There has been increasing interest in modelling survival data using deep learning methods in medical research. Current approaches have focused on designing special cost functions to handle censored survival data. We propose a very different method with two steps. In the first step, we transform each subject's survival time into a series of jackknife pseudo conditional survival probabilities and then use these pseudo probabilities as a quantitative response variable in the deep neural network model. By using the pseudo values, we reduce a complex survival analysis to a standard regression problem, which greatly simplifies the neural network construction. Our two-step approach is simple, yet very flexible in making risk predictions for survival data, which is very appealing from the practice point of view. The source code is freely available at http://github.com/lilizhaoUM/DNNSurv.

研究の動機と目的

• 右側打ち切りデータに対してカスタム損失関数を必要とする既存の深層学習モデルの限界を是正すること。
• 臨床的に意味のある生存確率を直接出力する、柔軟で実用的な生存リスク予測手法の開発。
• 擬似観測値を用いた変換により、右側打ち切りデータを伴う生存分析の複雑さを標準回帰問題に簡素化すること。
• 擬似値の構築において、共変量依存性の打ち切りを補正するための逆確率打ち切り重み付け（IPCW）を用いること。
• 比例ハザード仮定が満たされない状況下で、PHベースの深層学習モデルを上回る性能を示すことを実証すること。

提案手法

• 事前に定義された時間点において、各被験者の生存時間をジャックナイフ法を用いた擬似条件生存確率の系列に変換する。
• これらの擬似確率を深層ニューラルネットワークの応答変数として用い、生存分析を標準回帰タスクに変換する。
• 擬似値計算において共変量依存性の打ち切りを補正するために、逆確率打ち切り重み付け（IPCW）を適用する。
• Kaplan-Meier推定量を用いてベースライン生存確率を計算し、その後ジャックナイフリサンプリング法を用いて擬似観測値を導出する。
• 標準回帰損失関数（例：平均二乗誤差）を用いて擬似値上で深層ニューラルネットワークを学習させ、複雑なカスタム損失関数を回避する。
• 訓練済みモデルを用いて、臨床的に関心のある時間点（例：3年、5年）における生存確率を予測する。

実験結果

リサーチクエスチョン

• RQ1 右側打ち切り生存時間を擬似値に変換することで、深層ニューラルネットワークを生存分析に効果的に応用できるか？
• RQ2 標準回帰フレームワーク内で擬似値をターゲットとして用いることで、打ち切りデータに特化した損失関数に依存する既存の深層学習モデルを上回れるか？
• RQ3 比例ハザード仮定が満たされない状況下で、DNNSurvはPHベースのモデルと比べてどのように性能を発揮するか？
• RQ4 IPCWを用いた調整付き擬似値により、共変量依存性の打ち切りに対処できるか？
• RQ5 ハザードに基づくモデルと比較して、DNNSurvは生存確率といった臨床的に解釈可能な予測をより効果的に提供できるか？

主な発見

• CHSおよびMESAデータセットでは比例ハザード仮定が成り立っていたが、DNNSurvはPHベースのモデルと同等の性能を示し、c-indexは約0.70–0.73の範囲にとどまった。
• SRTRデータセットでは、比例ハザード仮定が強く破られていた（例：冷温索時間や免疫抑制薬投与療法において）、DNNSurvはc-index 0.78を達成し、PHベースのモデル（c-index 0.72–0.74）を有意に上回った。
• nnet-survivalはMESA研究において劣った性能を示したが、これは打ち切りデータの処理が不適切だった可能性がある。一方、DNNSurvは依然として頑健であった。
• すべてのモデルがデータセット全体で同一のブライアースコアを示し、一貫性のあるキャリブレーションを示したが、SRTR研究ではDNNSurvが優れた識別性能を示した。
• CHS研究において、DNNSurv_ipcwでは標準DNNSurvと比較して性能向上が見られなかったため、このデータセットでは打ち切りが強く共変量依存的ではなかったと示唆された。
• DNNSurvは特定の時間点における生存確率を直接出力するため、ハザード比や予後インデックスと比較して、臨床医や患者にとってより解釈可能な結果を提供する。