[論文レビュー] Optimizing Graphical Procedures for Multiplicity Control in a Confirmatory Clinical Trial via Deep Learning

Tianyu Zhan, Alan Hartford+2 more|arXiv (Cornell University)|Aug 27, 2019

Statistical Methods in Clinical Trials参考文献 43被引用数 8

ひとこと要約

本稿では、多重性制御と検出力のバランスをとるため、フィードフォワードニューラルネットワーク（FNN）を用いた深層学習強化最適化フレームワークを提案する。この手法は、複雑な目的関数を数値的に近似し、従来の微分不能最適化手法よりもロバスト性と効率性に優れ、確率的探索より最大5.1%高い多重性補正済み検出力を達成するとともに、収束変動が低く抑えられる。

ABSTRACT

In confirmatory clinical trials, it has been proposed to use a simple iterative graphical approach to construct and perform intersection hypotheses tests with a weighted Bonferroni-type procedure to control type I errors in the strong sense. Given Phase II study results or other prior knowledge, it is usually of main interest to find the optimal graph that maximizes a certain objective function in a future Phase III study. In this article, we evaluate the performance of two existing derivative-free constrained methods, and further propose a deep learning enhanced optimization framework. Our method numerically approximates the objective function via feedforward neural networks (FNNs) and then performs optimization with available gradient information. It can be constrained so that some features of the testing procedure are held fixed while optimizing over other features. Simulation studies show that our FNN-based approach has a better balance between robustness and time efficiency than some existing derivative-free constrained optimization algorithms. Compared to the traditional stochastic search method, our optimizer has moderate multiplicity adjusted power gain when the number of hypotheses is relatively large. We further apply it to a case study to illustrate how to optimize a multiple testing procedure with respect to a specific study objective.

研究の動機と目的

• 複数の主要評価項目を有する確証的臨床試験における最適な図的仮説検定手順の選択という課題に取り組む。
• 複雑な多重性制御問題に対して、従来の微分不能制約付き最適化手法（例：ISRES、COBYLA）のロバスト性および時間効率を向上させる。
• 複数の仮説検定手順における解析的に扱いにくい目的関数を近似するために深層学習を活用する、スケーラブルで数値的に安定した最適化フレームワークを開発する。
• シミュレーションおよび実臨床症例研究を通じて、本手法が検出力の向上、収束信頼性、計算効率のバランスにおいて優位であることを示す。

提案手法

• 本手法は、複雑な相関構造のため解析的に扱いにくい図的仮説検定手順の背後にある目的関数を、フィードフォワードニューラルネットワーク（FNN）を用いて数値的に近似する。
• 最適化問題を制約付き最適化問題として定式化し、特定の特徴（例：有意水準）に固定値を設定しつつ、他の特徴を最適化する。
• FNNで近似された目的関数に対して勾配ベース最適化を適用し、最適な図的構造の探索を効率的に行う。
• Rのnloptrパッケージを用いてフレームワークを実装し、仮説数や相関構造を変化させたシミュレーションスタディで妥当性を検証する。
• 同一の制約条件と設定下で、確率的探索（SSM）、ISRES、COBYLAと比較し、性能を評価する。
• FNNベースのアプローチは、多数の候補となるグラフ（B）とp値（n）を用いたシミュレーションデータで学習され、Bとnの調整により精度を最適化する。

実験結果

リサーチクエスチョン

• RQ1 深層学習に基づくアプローチは、臨床試験における多重性制御のための最適な図的仮説検定手順を特定する際、従来の微分不能最適化手法を上回ることができるか？
• RQ2 FNNベースの最適化器は、確率的探索と比較して、検出力の向上、収束速度、解の安定性の面でどのように差をつけるか？
• RQ3 仮説数が増加する状況下でも、FNNベースの手法はどの程度ロバスト性と効率性を維持できるか？
• RQ4 本手法は、実臨床試験設計における有意水準の制約やエンドポイント優先順位の制約をどのように処理するか？

主な発見

• ケーススタディにおいて、FNNベースの最適化器は78.0%という最高の目的関数値を達成し、ISRES（77.4%）、COBYLA（77.2%）、SSM（76.6%）を上回った。
• 収束安定性において優れた性能を示し、100回の反復で標準偏差が0.04%にとどまったのに対し、ISRESは0.23%、COBYLAは0.54%であった。
• FNNベースの手法は、確率的探索法（SSM）と比較して平均5.1%高い多重性補正済み検出力を達成し、ISRESと比較して10%以上の向上を示した。
• 平均実行時間は17.1分とやや長かったが、ISRESが時間制限内で収束しなかったのに対し、FNN手法はより高いロバスト性と一貫性を示した。
• COBYLAと比較して0.5%の中程度の検出力向上を達成しながら、すべてのシミュレーションで20分未満の合理的な計算コストを維持した。
• FNNベースのアプローチは、シミュレーションで使用するグラフ数（B）とp値数（n）を増やすことで、高精度かつ再現性の高い解決策を提供した。