[论文解读] Causal nearest neighbor rules for optimal treatment regimes

Xin Zhou, Michael R. Kosorok|arXiv (Cornell University)|Nov 22, 2017

Advanced Causal Inference Techniques参考文献 15被引用 9

一句话总结

本文提出了一种因果k近邻（CNN）方法，用于在精准医学中估计最优治疗方案，通过在邻域内进行局部因果推断，根据患者协变量分配治疗。该方法具有普遍的一致性，并在低维情况下实现 $ n^{-1/2} $ 的收敛速率；自适应变体通过学习最优距离度量并执行隐式变量选择，进一步提升了性能。

ABSTRACT

The estimation of optimal treatment regimes is of considerable interest to precision medicine. In this work, we propose a causal $k$-nearest neighbor method to estimate the optimal treatment regime. The method roots in the framework of causal inference, and estimates the causal treatment effects within the nearest neighborhood. Although the method is simple, it possesses nice theoretical properties. We show that the causal $k$-nearest neighbor regime is universally consistent. That is, the causal $k$-nearest neighbor regime will eventually learn the optimal treatment regime as the sample size increases. We also establish its convergence rate. However, the causal $k$-nearest neighbor regime may suffer from the curse of dimensionality, i.e. performance deteriorates as dimensionality increases. To alleviate this problem, we develop an adaptive causal $k$-nearest neighbor method to perform metric selection and variable selection simultaneously. The performance of the proposed methods is illustrated in simulation studies and in an analysis of a chronic depression clinical trial.

研究动机与目标

• 提出一种简单但理论基础扎实的方法，利用近邻原则在因果推断框架下估计最优治疗方案。
• 在一般条件下，建立因果k近邻方法的普遍一致性和收敛速率。
• 通过引入数据驱动的度量选择，提出自适应因果k近邻方法，以应对高维设置下的维度灾难问题。
• 通过自适应距离度量学习实现隐式变量选择，提升高维数据下的性能。
• 在模拟研究和一项真实世界慢性抑郁症临床试验中，证明该方法优于现有方法。

提出的方法

• 因果k近邻（CNN）方法通过基于协变量比较给定患者的k个最近邻的结局，估计治疗效果，并分配潜在结局估计值最高的治疗。
• 该方法使用逆概率加权和双重稳健估计，一致地估计局部邻域内的条件均值潜在结局。
• 通过证明估计的治疗方案在样本量增加时以概率收敛于贝叶斯最优方案，建立了普遍一致性。
• 在正则条件下，推导出p = 1或2时的收敛速率为 $ n^{-1/2} $，而对 $ p o orall p eq 1,2 $，收敛速率为 $ n^{-2/(p+2)} $。
• 自适应因果k近邻（ACNN）方法通过协变量的加权组合学习数据自适应距离度量，有效实现变量选择。
• 通过使用惩罚似然方法优化自适应度量，对无关协变量的贡献进行收缩，从而减轻维度效应。

实验结果

研究问题

• RQ1 能否将近邻方法适配于因果推断，以实现最优治疗方案估计并具备理论保证？
• RQ2 在不同协变量维度下，因果k近邻方法的收敛速率如何？
• RQ3 随着样本量增加，该方法是否仍保持普遍一致性？
• RQ4 自适应度量学习能否缓解高维治疗方案估计中的维度灾难问题？
• RQ5 在有限样本下，自适应因果k近邻方法与Q-learning、AIPWE及l1-惩罚最小二乘法相比表现如何？

主要发现

• 因果k近邻方法具有普遍一致性，意味着其在样本量趋于无穷时，无论底层数据分布如何，都能渐近学习到最优治疗方案。
• 在低维情形（p=5）下，该方法在p=1或2时收敛速率为 $ n^{-1/2} $，在更高维下为 $ n^{-2/(p+2)} $，这是非参数方法的最优收敛速率。
• 在低维设置（p=5）下，自适应因果k近邻（ACNN）在非线性治疗效应的情境中，优于CNN、基于随机森林的Q-learning和AIPWE。
• 在中等维设置（p=25）下，ACNN在模型设定错误的情境（情景2和3）中显著优于其他方法，且在n=800时，价值函数估计值接近最优水平。
• 当真实模型被正确设定时（情景1），l1-惩罚最小二乘法表现最佳，但ACNN在所有情景中均保持竞争力且稳健。
• 通过学习的距离度量，自适应方法隐式地执行了变量选择，通过降低无关协变量的权重，提升了高维设置下的性能。