[论文解读] auton-survival: an Open-Source Package for Regression, Counterfactual Estimation, Evaluation and Phenotyping with Censored Time-to-Event Data

Chirag Nagpal, Willa Potosnak+1 more|arXiv (Cornell University)|Apr 15, 2022

Machine Learning in Healthcare被引用 15

一句话总结

auton-survival 是一个开源的 Python 软件包，可实现医疗领域右删失时间-事件数据的稳健机器学习，提供集成工具用于生存回归、反事实估计、治疗效果分析、领域自适应和表型识别。通过引入重要性加权和倾向得分校正，该工具提升了模型的校准性和区分能力，如在 SEER 肿瘤学数据中所示，经过校正后 1 年死亡率预测的 AUC 最高达到 0.8449。

ABSTRACT

Applications of machine learning in healthcare often require working with time-to-event prediction tasks including prognostication of an adverse event, re-hospitalization or death. Such outcomes are typically subject to censoring due to loss of follow up. Standard machine learning methods cannot be applied in a straightforward manner to datasets with censored outcomes. In this paper, we present auton-survival, an open-source repository of tools to streamline working with censored time-to-event or survival data. auton-survival includes tools for survival regression, adjustment in the presence of domain shift, counterfactual estimation, phenotyping for risk stratification, evaluation, as well as estimation of treatment effects. Through real world case studies employing a large subset of the SEER oncology incidence data, we demonstrate the ability of auton-survival to rapidly support data scientists in answering complex health and epidemiological questions.

研究动机与目标

• 解决医疗领域右删失时间-事件结果机器学习中缺乏用户友好且可复现的软件工具的问题。
• 在存在删失和混杂因素的情况下，实现准确的生存回归与风险分层。
• 通过反事实估计和治疗效果分析，支持临床决策制定。
• 利用重要性加权和倾向得分校正，提升模型在不同领域间的泛化能力。
• 通过类似 scikit-learn 的 API 和全面的文档，促进医疗机器学习中的可复现研究。

提出的方法

• 该软件包实现了生存回归模型，包括 Cox 比例风险模型和基于深度神经网络的生存模型（如 DCPH），并支持时变协变量。
• 通过逻辑回归估计倾向得分，并结合重要性加权，用于校正治疗效果估计中的领域偏移和混杂因素。
• 利用逆概率加权和风险比指标估计反事实结果，以评估治疗影响。
• 使用标准生存分析指标（如 concordance index、Brier 评分，以及多个时间点的 ROC 曲线下面积）进行模型评估。
• 该软件包与 PyTorch 和 scikit-learn 集成，提供类似 scikit-learn 的 API，便于快速采用和原型开发。
• 通过生存模型输出与聚类技术，结合子群发现和风险分层方法实现表型识别。

实验结果

研究问题

• RQ1 一个统一的开源软件包能否提升医疗机器学习中生存分析的可复现性和可及性？
• RQ2 在生存预测中，结合倾向得分的重要性加权在不同地理区域中对模型校准性和判别性能的提升效果如何？
• RQ3 反事实估计与治疗效果分析在临床决策支持中，能在多大程度上整合到单一工作流中？
• RQ4 具有生存损失函数的深度学习模型在右删失数据的时间-事件预测中，是否能优于传统方法？
• RQ5 所提出的工具在具有不同删失率和分布偏移的多样化临床数据集中，泛化能力如何？

主要发现

• 在使用重要性加权校正领域偏移后，路易斯安那州 1 年死亡率预测的 AUC 从 0.8398 提升至 0.8449，大加州地区从 0.8598 提升至 0.8603。
• 在路易斯安那州，5 年死亡率预测的 Brier 评分从 0.1154 降至 0.1148；在大加州地区，从 0.1312 降至 0.1307，表明校准性能得到改善。
• 在所有时间范围（1 年、2 年和 5 年预测）中，重要性加权 Cox 模型的判别性能和校准性均优于未校正模型。
• 该软件包通过直观的、类似 scikit-learn 的 API，成功实现了复杂生存分析工作流（包括反事实估计和治疗效果分析）的快速原型开发。
• 使用 SEER 肿瘤学数据的真实案例研究证实，auton-survival 支持对右删失时间-事件结果的端到端分析，代码量极少且高度可复现。
• 将深度学习模型（如 DCPH）与生存分析指标及评估工具结合，实现了对复杂临床数据的可扩展、非线性建模。