[论文解读] BITES: Balanced Individual Treatment Effect for Survival data

Stefan Schrod, Andreas Schäfer+8 more|arXiv (Cornell University)|Jan 1, 2022

Statistical Methods in Clinical Trials被引用 4

一句话总结

BITES 是一种新颖的深度学习框架，通过在潜在表征空间中结合特定治疗的 Cox 比例风险模型与积分概率度量（IPM）平衡处理组和对照组，实现对生存数据中个体治疗效应的估计。在模拟数据和真实世界乳腺癌数据中，该方法优于当前最先进方法，提高了治疗推荐的准确性与生存结局，同时通过 SHAP 值实现了可解释的预测。

ABSTRACT

Estimating the effects of interventions on patient outcome is one of the key aspects of personalized medicine. Their inference is often challenged by the fact that the training data comprises only the outcome for the administered treatment, and not for alternative treatments (the so-called counterfactual outcomes). Several methods were suggested for this scenario based on observational data, i.e.~data where the intervention was not applied randomly, for both continuous and binary outcome variables. However, patient outcome is often recorded in terms of time-to-event data, comprising right-censored event times if an event does not occur within the observation period. Albeit their enormous importance, time-to-event data is rarely used for treatment optimization. We suggest an approach named BITES (Balanced Individual Treatment Effect for Survival data), which combines a treatment-specific semi-parametric Cox loss with a treatment-balanced deep neural network; i.e.~we regularize differences between treated and non-treated patients using Integral Probability Metrics (IPM). We show in simulation studies that this approach outperforms the state of the art. Further, we demonstrate in an application to a cohort of breast cancer patients that hormone treatment can be optimized based on six routine parameters. We successfully validated this finding in an independent cohort. BITES is provided as an easy-to-use python implementation.

研究动机与目标

• 解决在反事实结果未观测到的情况下，估计时间-事件数据中个体治疗效应（ITE）的挑战。
• 克服现有方法在处理右删失生存数据或在高维设置下无法充分平衡治疗组方面的局限性。
• 开发一种可扩展、可解释且稳健的框架，用于观察性生存研究中的个性化治疗优化。
• 在真实世界乳腺癌数据上验证该方法，并通过优化激素治疗推荐展示改善的生存结局。

提出的方法

• BITES 将特定治疗的半参数 Cox 模型与深度神经网络相结合，以估计对生存结局的个体化治疗效应。
• 它应用积分概率度量（IPM）来正则化处理组和非处理组患者的潜在表征，促进分布平衡。
• 该模型采用双头架构：一个分支预测各治疗组的生存结局，另一个分支通过对抗训练学习平衡表征。
• 它采用混合损失函数，结合 Cox 局部似然用于生存建模与基于 IPM 的正则化，以最小化治疗组间的分布差异。
• 该框架支持端到端反向传播训练，实现预测性能与治疗平衡的联合优化。
• 通过 SHAP（SHapley Additive exPlanations）增强可解释性，以评估不同治疗选项下各特征对个体风险预测的贡献。

实验结果

研究问题

• RQ1 深度学习模型能否在考虑右删失结果和治疗选择偏差的前提下，有效估计时间-事件数据中的个体治疗效应？
• RQ2 基于 IPM 的处理组与非处理组潜在表征平衡，如何提升生存分析中 ITE 估计的准确性和公平性？
• RQ3 BITES 在模拟和真实世界生存数据中，相较于现有最先进方法，在 Harrell’s C-index、PEHE 和治疗推荐正确性方面的表现提升程度如何？
• RQ4 该模型的治疗推荐策略是否能在独立验证队列中带来改善的生存结局，特别是在乳腺癌激素治疗方面？
• RQ5 该模型的预测结果在多大程度上透明且可解释？SHAP 值能否有效揭示临床特征对个体治疗决策的影响？

主要发现

• 在模拟研究中，BITES 在 Harrell’s C-index、治疗分配准确性和 PEHE 方面均优于当前最先进方法。
• 在 GBSG-2 乳腺癌数据集上，BITES 为 83.4% 的患者推荐了激素治疗，显著优于 Cox 回归和 DeepSurv（两者均推荐 100% 的患者接受治疗）。
• 遵循 BITES 推荐的患者群体在测试集中表现出优于实际治疗组的生存率，尽管差异未达到统计显著性（控制测试集的 log-rank 检验 p = 0.000016）。
• BITES 展现出强大的可解释性：SHAP 分析显示，激素治疗可缓解绝经后状态的负面生存影响，并放大高肿瘤分级（3 级）相关的风险。
• 该模型在独立的 GBSG-2 测试集上 C-index 达 0.666，处于最高水平，表明其具有出色的预测性能。
• 在独立队列中的验证证实，基于 BITES 的治疗推荐与改善的生存结局相关，提示其具有临床实用性。