[论文解读] Balanced Random Survival Forests for Extremely Unbalanced, Right Censored Data

Kahkashan Afrin, Gurudev Illangovan+2 more|arXiv (Cornell University)|Mar 24, 2018

Machine Learning in Healthcare参考文献 21被引用 8

一句话总结

本文提出了一种新型方法——平衡随机生存森林（BRSF），通过将合成少数类过采样技术与随机生存森林相结合，显著提升了在高度不平衡、右删失数据上的生存模型预测准确性。与优化后的Cox模型和标准RSF模型相比，BRSF在重症监护和临床数据集中的预测误差平均降低了55%，显著增强了对生存与死亡类别的判别能力。

ABSTRACT

Accuracies of survival models for life expectancy prediction as well as critical-care applications are significantly compromised due to the sparsity of samples and extreme imbalance between the survival (usually, the majority) and mortality class sizes. While a recent random survival forest (RSF) model overcomes the limitations of the proportional hazard assumption, an imbalance in the data results in an underestimation (overestimation) of the hazard of the mortality (survival) classes. A balanced random survival forests (BRSF) model, based on training the RSF model with data generated from a synthetic minority sampling scheme is presented to address this gap. Theoretical results on the effect of balancing on prediction accuracies in BRSF are reported. Benchmarking studies were conducted using five datasets with different levels of class imbalance from public repositories and an imbalanced dataset of 267 acute cardiac patients, collected at the Heart, Artery, and Vein Center of Fresno, CA. Investigations suggest that BRSF provides an improved discriminatory strength between the survival and the mortality classes. It outperformed both optimized Cox (without and with balancing) and RSF with an average reduction of 55\% in the prediction error over the next best alternative.

研究动机与目标

• 解决生存分析中极端类别不平衡的严峻挑战，即死亡事件远少于删失（生存）病例。
• 克服标准RSF模型中对少数类（死亡）风险的低估以及对多数类（生存）风险的高估问题。
• 提升高风险临床应用场景（如急性心脏护理与肿瘤学）中生存模型的预测准确性和判别能力。
• 提出一种理论基础扎实的平衡方法，同时保持生存函数估计与Brier评分性能的完整性。
• 在不平衡的真实世界与基准数据集上，证明BRSF优于标准RSF与优化后的Cox比例风险模型。

提出的方法

• 在训练随机生存森林之前，对生存数据中的少数类（死亡）与多数类（生存）应用合成少数类过采样（SMOTE）以实现类别平衡。
• 在平衡后的数据集上训练随机生存森林（RSF），通过在每个节点使用自助采样与随机特征选择来降低方差与偏差。
• 将Brier评分（BS）作为预测误差的主要评估指标，并推导类别平衡对不平衡环境下BS的影响。
• 推导出平衡后Brier评分变化的理论近似，证明在平衡条件下有 ${\rho}^{\prime}(t) < \rho(t)$。
• 在RSF节点中使用Nelson-Aalen估计器建模风险函数，生存概率估计为 $\hat{S}(t) = e^{-\hat{H}(t)}$。
• 将该方法应用于五个公开基准数据集及来自弗雷斯诺心脏、动脉与静脉中心的267名急性心脏患者的真实世界数据集。

实验结果

研究问题

• RQ1 右删失生存数据中的类别不平衡如何影响随机生存森林的预测准确性？
• RQ2 合成少数类过采样能否提升高度不平衡数据集中生存模型的判别性能？
• RQ3 在生存模型中，特别是对少数类（死亡）预测，类别平衡对Brier评分的理论影响是什么？
• RQ4 在不平衡的生存数据集上，BRSF与标准RSF及优化后的Cox比例风险模型相比，性能如何？
• RQ5 对训练数据进行平衡是否能在临床环境中实现生存结局预测误差的可测量降低？

主要发现

• 在多个数据集上，BRSF相比表现最佳的基线模型（优化后的Cox或标准RSF）实现了平均55%的预测误差降低。
• 理论分析证明，类别平衡可降低Brier评分，且 $\rho^{\prime}(t) < \rho(t)$，表明平衡后预测准确性得到提升。
• BRSF显著增强了生存与死亡类别之间的判别能力，尤其在死亡事件仅占2–10%的数据集中表现突出。
• 在所有基准数据集（包括癌症与肝病数据库）中，该方法均优于标准RSF与优化后的Cox模型。
• 在267名急性心脏患者的真实世界数据集上的实证结果证实，BRSF提供的生存概率估计比基线模型更准确。
• 在早期与中期生存预测中，性能提升最为显著，此时准确的风险估计对临床决策至关重要。