[论文解读] DeepPAMM: Deep Piecewise Exponential Additive Mixed Models for Complex Hazard Structures in Survival Analysis

Philipp Kopper, Simon Wiegrebe+3 more|arXiv (Cornell University)|Feb 12, 2022

Statistical Methods and Inference被引用 4

一句话总结

DeepPAMM 是一种深度学习框架，将分段指数加性混合模型与神经网络统一起来，用于在生存分析中建模复杂的风险结构。它能够在处理右删失、截断、竞争风险和相关数据的同时，实现可解释的高维特征学习，预测性能具有竞争力，并兼具统计严谨性与灵活性，适用于多模态和时变特征。

ABSTRACT

Survival analysis (SA) is an active field of research that is concerned with time-to-event outcomes and is prevalent in many domains, particularly biomedical applications. Despite its importance, SA remains challenging due to small-scale data sets and complex outcome distributions, concealed by truncation and censoring processes. The piecewise exponential additive mixed model (PAMM) is a model class addressing many of these challenges, yet PAMMs are not applicable in high-dimensional feature settings or in the case of unstructured or multimodal data. We unify existing approaches by proposing DeepPAMM, a versatile deep learning framework that is well-founded from a statistical point of view, yet with enough flexibility for modeling complex hazard structures. We illustrate that DeepPAMM is competitive with other machine learning approaches with respect to predictive performance while maintaining interpretability through benchmark experiments and an extended case study.

研究动机与目标

• 解决传统生存模型在处理高维、非结构化或多模态数据时的局限性，同时保持可解释性。
• 通过引入深度神经网络扩展分段指数加性混合模型（PAMM），以建模复杂、非线性的特征交互作用和时变效应。
• 在统一的统计框架内支持多种生存数据类型，包括右删失、左截断、竞争风险和复发事件。
• 通过随机效应建模相关或重复观测，同时保持预测准确性。
• 提供一种灵活但可解释的深度学习框架用于生存分析，保留 PAMM 的理论基础。

提出的方法

• DeepPAMM 使用半结构化的加性预测器，结合参数化与非参数化组件：包含惩罚样条的线性预测器用于平滑时间效应，以及用于聚类的随机效应。
• 将深度神经网络作为非参数化组件，用于建模高维特征交互作用和非结构化数据（如图像或表格特征）。
• 模型将对数风险函数估计为结构化效应（如用于昼夜时间的循环样条、用于空间坐标的张量积样条）与非结构化深度神经网络组件之和。
• 通过引入随机效应（脆弱性项）来考虑分组或重复观测中的相关性，例如来自不同医院的患者或消防响应单位的记录。
• 通过统一的风险参数化方式，支持多种生存数据类型，包括竞争风险和多状态过程。
• 使用现有软件栈（如 deepregression）进行模型拟合，通过正则化实现高效优化，防止过拟合。

实验结果

研究问题

• RQ1 深度学习框架是否能在建模生存分析中复杂、高维的特征交互作用时保持可解释性？
• RQ2 在存在非结构化数据的情况下，引入深度神经网络组件是否能显著提升预测性能，相较于经典 PAMM 模型？
• RQ3 DeepPAMM 在多大程度上能够建模非比例风险、时变效应和竞争风险，同时保持统计可解释性？
• RQ4 在真实世界生存数据中，非结构化深度组件的引入是否显著提升了预测性能，超越仅依赖结构化效应的表现？
• RQ5 DeepPAMM 是否能有效在一个统一的模型中处理多模态数据（如表格数据与空间数据）？

主要发现

• DeepPAMM 在伦敦消防队数据集上实现了具有竞争力的预测性能，中位数（Q50）处的 IBS（综合 Brier 得分）为 16.7，优于基线的 KM 和 PAMM 模型。
• 非结构化深度组件的引入略微提升了预测性能，但结构化效应本身已足够充分，表现为置信区间重叠且标准差较低。
• 模型成功捕捉了昼夜时间对应急响应时间的非线性、周期性影响，白天风险更高（响应时间更短），夜间风险更低。
• 空间效应显示城市外围区域风险更高，与先前研究结果一致，表明模型具备恢复可解释空间模式的能力。
• DeepPAMM 通过平滑、结构化的样条（如循环样条和双变量样条）保持可解释性，同时利用深度神经网络组件实现复杂交互。
• 该框架能够通过单一统一的模型架构，有效建模复杂生存数据类型，包括竞争风险、左截断和相关数据。