[论文解读] Deep Kernel Survival Analysis and Subject-Specific Survival Time Prediction Intervals

George H. Chen|arXiv (Cornell University)|Jul 25, 2020

Domain Adaptation and Few-Shot Learning被引用 6

一句话总结

本文提出了一种深度神经网络框架，用于学习核生存分析中的核函数，从而实现具有统计有效性预测区间的个体化生存预测。结果表明，这些区间可量化不同方法的不确定性，并作为新的性能度量指标，同时在准确性上与现有模型保持竞争力。

ABSTRACT

Kernel survival analysis methods predict subject-specific survival curves and times using information about which training subjects are most similar to a test subject. These most similar training subjects could serve as forecast evidence. How similar any two subjects are is given by the kernel function. In this paper, we present the first neural network framework that learns which kernel functions to use in kernel survival analysis. We also show how to use kernel functions to construct prediction intervals of survival time estimates that are statistically valid for individuals similar to a test subject. These prediction intervals can use any kernel function, such as ones learned using our neural kernel learning framework or using random survival forests. Our experiments show that our neural kernel survival estimators are competitive with a variety of existing survival analysis methods, and that our prediction intervals can help compare different methods' uncertainties, even for estimators that do not use kernels. In particular, these prediction interval widths can be used as a new performance metric for survival analysis methods.

研究动机与目标

• 开发一种神经网络框架，学习核生存分析中的最优核函数，以提升个体化生存预测性能。
• 利用分段合性预测方法构建在个体层面具有统计有效性的生存时间预测区间。
• 实现对多种生存分析方法（包括非核方法）的不确定性量化。
• 在真实医疗数据集上评估深度核生存估计器及其预测区间的性能。
• 提出一种新度量指标——预测区间宽度，用于比较不同生存模型中的不确定性。

提出的方法

• 将神经核学习从分类任务拓展至生存分析，使用基础神经网络将样本映射到嵌入空间，通过欧氏距离计算核相似性。
• 结合学习到的核函数与Beran的条件Kaplan-Meier估计器，预测个体化生存曲线与生存时间。
• 应用分段合性预测及其加权变体，生成生存时间估计的边际与局部有效预测区间。
• 使用用户指定的覆盖水平 α 校准预测区间，确保经验覆盖概率与名义水平一致。
• 支持边际与局部有效性：局部区间通过对与测试样本相似的样本进行加权平均获得，权重由核函数决定。
• 支持通过随机生存森林或其他神经生存模型进行热启动训练，以提升收敛速度与模型性能。

实验结果

研究问题

• RQ1 深度神经网络框架能否有效学习核生存分析中的核函数，从而提升预测准确性？
• RQ2 基于核函数的合性预测构建的预测区间是否对个体受试者具有统计有效性？
• RQ3 不同生存分析方法的预测区间宽度如何比较？其宽度能否作为性能度量指标？
• RQ4 与仅具有边际有效性的预测区间相比，局部有效的预测区间是否能提升临床可解释性？
• RQ5 通过独立学习核函数，该方法是否可应用于非核基生存估计器？

主要发现

• 所提出的深度核生存估计器（如 nks-res-diag 和 nks-mlp，采用随机生存森林初始化）在 C-index 指标上与现有方法相比表现具有竞争力。
• 基于分段合性预测构建的预测区间展现出与用户指定目标覆盖水平高度一致的经验覆盖概率（例如，α = 0.1 时为 90%）。
• 预测区间宽度可用于比较不同生存模型之间的不确定性，即使这些模型未使用核函数。
• 局部有效的预测区间更具临床信息量，因其反映了与相似患者群体相关的不确定性。
• 通过分析预测区间宽度在相似训练样本中的分布，该方法可识别出预测不确定性更高的受试者。
• 尽管预测区间具有统计有效性，其宽度仍相对较宽，表明在不确定性校准方面仍有改进空间。