[論文レビュー] SurvivalGAN: Generating Time-to-Event Data for Survival Analysis

Alexander Norcliffe, Bogdan Cebere+3 more|arXiv (Cornell University)|Feb 24, 2023

Machine Learning in Healthcare被引用数 5

ひとこと要約

SurvivalGAN は、censoring と不均衡な時間枠を考慮して生存分析のための高品質な生存時間データを合成するために設計された生成的対抗ネットワークであり、専用の生存時間回帰器、不均衡サンプリング、および条件付き GAN 学習を用いる。これは、生成された生存データの現実性と、C-index および Brier スコアの観点から下流の生存モデル性能の両方を向上させ、ベースラインを上回る性能を発揮する。

ABSTRACT

Synthetic data is becoming an increasingly promising technology, and successful applications can improve privacy, fairness, and data democratization. While there are many methods for generating synthetic tabular data, the task remains non-trivial and unexplored for specific scenarios. One such scenario is survival data. Here, the key difficulty is censoring: for some instances, we are not aware of the time of event, or if one even occurred. Imbalances in censoring and time horizons cause generative models to experience three new failure modes specific to survival analysis: (1) generating too few at-risk members; (2) generating too many at-risk members; and (3) censoring too early. We formalize these failure modes and provide three new generative metrics to quantify them. Following this, we propose SurvivalGAN, a generative model that handles survival data firstly by addressing the imbalance in the censoring and event horizons, and secondly by using a dedicated mechanism for approximating time-to-event/censoring. We evaluate this method via extensive experiments on medical datasets. SurvivalGAN outperforms multiple baselines at generating survival data, and in particular addresses the failure modes as measured by the new metrics, in addition to improving downstream performance of survival models trained on the synthetic data.

研究の動機と目的

• censored なテーブル形式の生存データに対する有効な合成データ生成手法の不足に対処する。
• 生存データ生成における3つの特徴的な失敗モード（リスク下にいる個体の過小または過剰生成、早期censoring）を形式化する。
• これらの失敗モードを定量的に測定できる新しい評価指標を提案する。
• censored データを統合し、時間枠とcensoring の不均衡を適切に処理する強固な生成フレームワークを構築する。
• SurvivalGAN が生成する合成データが、実世界の医療データセットにおける下流の生存モデル性能を向上させることを実証する。

提案手法

• 生存時間とcensoring 状態の同時分布をモデル化するための時間-イベント／censoring 回帰器を導入する。
• 現実のデータ分布を反映させるために、時間枠とcensoring 状態における不均衡サンプリングを実装する。
• 時間-イベントおよびcensoring の予測を条件として、テーブル形式の特徴量を生成する条件付き GAN アーキテクチャを用いる。
• 生成された生存時間の時間的整合性を向上させるために、GAN と統合して時間回帰器をエンドツーエンドで学習する。
• 生存関数をモデル化し、生成をガイドするために訓練中にcensored データを統合する。
• 時間回帰器、不均衡サンプリング、および条件付き GAN を統合した段階的訓練パイプラインを採用し、共同最適化を実現する。

(a) Over-optimism. The area under the synthetic curve is larger than the true curve, the model is over-optimistic.

実験結果

リサーチクエスチョン

• RQ1 censoring や時間枠の不均衡に関して、合成生存データ生成に特有の主な失敗モードは何か？
• RQ2 標準的な生成メトリクスを超えて、合成生存データの品質を定量的に測定する方法は何か？
• RQ3 生成モデルは、censored テーブル形式の生存データを効果的に処理しつつ、実データの統計的性質を保持できるか？
• RQ4 SurvivalGAN の構成要素（時間回帰器、不均衡サンプリング、条件付き GAN）が、データ品質および下流モデル性能の向上にどの程度寄与しているか？
• RQ5 SurvivalGAN が生成する合成データは、ベースラインの生成モデルに比べて、より優れた性能を示す生存モデルを構築できるか？

主な発見

• SurvivalGAN は、標準的な生成メトリクスおよび新たに提案された生存固有のメトリクスを用いて測定した結果、5つのベースライン生成モデルを上回るリアルな生存データを生成する。
• 時間回帰器は、特にサンプルの順序付けを正しく行う能力を向上させ、生存予測の短視眼的傾向を軽減することで、C-index の性能を顕著に改善する。
• 時間枠とcensoring 状態における不均衡サンプリングは、生存関数の形状を適切に維持し、特に PHEART や SEER のような大規模データセットにおいて C-index の向上に不可欠である。
• 条件付き GAN コンponent は、正確なキャリブレーションを実現するために不可欠であり、欠落すると全データセットで Brier スコアが著しく低下する。
• アブレーションスタディの結果、時間回帰器、不均衡サンプリング、および条件付き GAN の3つの構成要素が最適な性能を発揮するために必要であり、それぞれがデータ品質の異なる側面に独自に寄与していることが確認された。
• SurvivalGAN が生成するデータを用いて学習された下流の生存モデルは、ベースラインの生成データを用いたモデルよりも優れた性能を示す：C-index が高く、Brier スコアが低い。

(b) Over-pessimism. The area under the synthetic curve is lower than the true curve, the model is over-pessimistic.