[논문 리뷰] Tree based weighted learning for estimating individualized treatment rules with censored data

Yifan Cui, Ruoqing Zhu외 1명|arXiv (Cornell University)|2017. 07. 30.

Statistical Methods and Inference참고 문헌 23인용 수 5

한 줄 요약

이 논문은 우측으로 캐논된 생존 데이터 하에서 개별화된 치료 규칙을 추정하기 위해 트리 기반 가중 학습 방법을 제안한다. 이는 역확률 가중치와 비모수적 모델링을 피하기 위해 순환적으로 보정된 생존 트리를 사용하여 조건부 기대 생존 시간을 비모수적으로 추정한다. 이 방법은 일致성과 최적 수렴 속도를 달성하며, 시뮬레이션과 비소세포성 폐암 임상 시험에서 기존 방법들을 능가한다.

ABSTRACT

Estimating individualized treatment rules is a central task for personalized medicine. [zhao2012estimating] and [zhang2012robust] proposed outcome weighted learning to estimate individualized treatment rules directly through maximizing the expected outcome without modeling the response directly. In this paper, we extend the outcome weighted learning to right censored survival data without requiring either an inverse probability of censoring weighting or a semiparametric modeling of the censoring and failure times as done in [zhao2015doubly]. To accomplish this, we take advantage of the tree based approach proposed in [zhu2012recursively] to nonparametrically impute the survival time in two different ways. The first approach replaces the reward of each individual by the expected survival time, while in the second approach only the censored observations are imputed by their conditional expected failure times. We establish consistency and convergence rates for both estimators. In simulation studies, our estimators demonstrate improved performance compared to existing methods. We also illustrate the proposed method on a phase III clinical trial of non-small cell lung cancer.

연구 동기 및 목표

• 우측 캐논된 생존 결과가 있는 경우, 역확률 캐논 가중치에 의존하지 않고도 개별화된 치료 규칙을 추정하기 위한 강력한 방법을 개발하는 것.
• 특히 역확률 가중치에 의한 불안정성과 모형 오특정으로 인한 제약을 해결하기 위해 기존의 결과 가중 학습 접근법이 캐논된 상황에서 가지는 한계를 다루는 것.
• 비모수적 보정을 통해 순환적으로 보정된 생존 트리를 사용하여 결과 가중 학습을 캐논된 데이터로 확장하는 것.
• 범주형 예측 변수를 넘어서 일반적인 설정에서 제안된 추정기의 이론적 일관성과 수렴 속도를 확립하는 것.
• 시뮬레이션 연구와 제3상 비소세포성 폐암 임상 시험과 같은 실제 임상 데이터에 대한 응용에서 향상된 성능을 보여주는 것.

제안 방법

• 우측 캐논된 관측치의 조건부 기대 실패 시간을 비모수적으로 추정하기 위해 순환적으로 보정된 생존 트리(Chu & Kosorok, 2012)를 사용한다.
• 생존 시간 보정을 두 가지 방식으로 수행한다: (1) 모든 보상 값을 기대 생존 시간으로 대체한다; (2) 우측 캐논된 관측치만 그 조건부 기대 실패 시간으로 보정한다.
• 보정된 생존 시간을 보상으로 사용하여 결과 가중 학습(Zhao 등, 2012)을 적용하고, 치료 규칙 추정 문제를 가중 분류 문제로 재구성한다.
• 모형화된 캐논 및 실패 시간 분포에 대한 파라미터적 또는 반파라미터적 모델링을 피하기 위해 트리 기반 비모수 추정을 활용한다.
• 보정 전략 각각에 대해 가치 함수 차이에 대한 새로운 기술적 경계를 도출하여 이론적 일관성과 수렴 속도를 확립한다.
• 랜덤 생존 숲 프레임워크 내에서 반복적으로 생존 시간 추정치를 향상시키는 순환 보정 메커니즘을 사용한다.

실험 결과

연구 질문

• RQ1 역확률 캐논 가중치에 의존하지 않고 결과 가중 학습을 우측 캐논된 생존 데이터로 효과적으로 확장할 수 있는가?
• RQ2 순환적으로 보정된 생존 트리는 반파라미터 모델링의 비모수적 대안으로서 캐논된 생존 시간을 보정하는 데 안정적인가?
• RQ3 제안된 추정기는 연속형 예측 변수를 포함한 일반 조건 하에서도 일관성과 최적 수렴 속도를 달성하는가?
• RQ4 유한 표본에서 기존 방법들인 역확률 가중치와 이중적으로 강건한 방법들과 비교해 볼 때 제안된 방법의 성능는 어떠한가?
• RQ5 이 방법은 비소세포성 폐암 제3상 임상 시험과 같은 실제 임상 데이터에 성공적으로 적용될 수 있는가?

주요 결과

• 제안된 방법은 두 보정 전략 모두에서 이론적 일관성과 최적 수렴 속도를 달성하며, 일반 조건 하에서 이론적 경계가 확립되었다.
• 30% 캐논 상황에서의 시뮬레이션에서 RIST-R1 및 RIST-R2 방법은 시나리오 3에서 평균 로그 생존 시간이 각각 785 및 771 (×10³)을 기록했으며, 이는 이론적 최적값 1079 (×10³)과 유사했다.
• 60% 캐논 상황에서 RIST-R1 및 RIST-R2 방법은 여전히 ICO, DR 및 코ックス 모델을 능가했으며, 시나리오 3에서 평균 로그 생존 시간은 각각 753 및 748 (×10³)이었다.
• 모든 시뮬레이션 시나리오에서 뛰어난 성능를 보였으며, 특히 음수의 최적 값이 존재하는 경우에도 경쟁자들을 지속적으로 능가했다.
• 비소세포성 폐암 임상 시험에서 제안된 방법은 기대 생존 시간을 최대화하는 치료 규칙을 식별하여 임상 적용 가능성을 입증했다.
• 특히 고비율의 캐논 및 모형 오특정 상황에서 역확률 가중치 및 이중적으로 강건한 방법에 비해 더 뛰어난 안정성과 정확도를 보였다.