[论文解读] DNNSurv: Deep Neural Networks for Survival Analysis Using Pseudo Values

Lili Zhao, Dai Feng|arXiv (Cornell University)|Aug 6, 2019

Machine Learning in Healthcare参考文献 27被引用 17

一句话总结

该论文提出 DNNSurv，一种用于生存分析的深度学习方法，通过将右删失的生存时间转换为自助法伪生存概率，将复杂的生存预测问题转化为标准回归问题。通过在深度神经网络中使用这些伪值作为目标变量，并结合常规损失函数，DNNSurv 在比例风险假设不成立时，性能优于基于PH的模型，同时直接输出临床上可解释的生存概率。

ABSTRACT

There has been increasing interest in modelling survival data using deep learning methods in medical research. Current approaches have focused on designing special cost functions to handle censored survival data. We propose a very different method with two steps. In the first step, we transform each subject's survival time into a series of jackknife pseudo conditional survival probabilities and then use these pseudo probabilities as a quantitative response variable in the deep neural network model. By using the pseudo values, we reduce a complex survival analysis to a standard regression problem, which greatly simplifies the neural network construction. Our two-step approach is simple, yet very flexible in making risk predictions for survival data, which is very appealing from the practice point of view. The source code is freely available at http://github.com/lilizhaoUM/DNNSurv.

研究动机与目标

• 解决现有深度学习模型在生存分析中对右删失数据依赖自定义损失函数的局限性。
• 开发一种灵活且实用的生存风险预测方法，直接输出具有临床意义的生存概率。
• 通过使用伪观测值将右删失数据的生存分析复杂性降低，将其转化为标准回归问题。
• 通过在伪值构建过程中引入删失概率的逆概率加权（IPCW），处理协变量相关的删失问题。
• 在比例风险假设不成立时，证明 DNNSurv 相较于基于PH的深度学习模型具有更优性能。

提出的方法

• 将每个受试者的生存时间转换为预设时间点上的自助法伪条件生存概率序列。
• 将这些伪概率用作深度神经网络中的响应变量，使生存分析转化为标准回归任务。
• 在伪值计算中应用删失概率的逆概率加权（IPCW），以校正协变量相关的删失偏差。
• 利用 Kaplan-Meier 估计器计算基线生存概率，再通过自助法重采样方法推导伪观测值。
• 使用标准回归损失函数（如均方误差）在伪值上训练深度神经网络，避免使用复杂的自定义损失函数。
• 利用训练好的模型预测临床相关时间点（如3年、5年）的生存概率。

实验结果

研究问题

• RQ1 能否通过将右删失生存时间转换为伪值，有效将深度神经网络应用于生存分析？
• RQ2 在标准回归框架中使用伪值作为目标变量，是否优于依赖为右删失数据专门设计的损失函数的现有深度学习模型？
• RQ3 当比例风险假设不成立时，DNNSurv 相较于基于PH的模型表现如何？
• RQ4 该方法能否通过 IPCW 调整的伪值处理协变量相关的删失？
• RQ5 与基于风险率的模型相比，DNNSurv 是否能产生更具临床可解释性的预测结果（如生存概率）？

主要发现

• 在 CHS 和 MESA 数据集中，比例风险假设成立，DNNSurv 表现与基于PH的模型相当，c-index 值约为 0.70–0.73。
• 在 SRTR 数据集中，比例风险假设被严重违反（如冷缺血时间、免疫抑制剂治疗），DNNSurv 的 c-index 达到 0.78，显著优于基于PH的模型（c-index 为 0.72–0.74）。
• nnet-survival 在 MESA 研究中表现较差，可能因其对右删失数据的处理方式较为随意，而 DNNSurv 保持了稳健性。
• 所有模型在各数据集中的 Brier 评分一致，表明校准性良好，但 DNNSurv 在 SRTR 研究中表现出更优的区分度。
• 在 CHS 研究中，DNNSurv_ipcw 中引入 IPCW 并未提升性能，表明该数据集中删失并非强烈依赖协变量。
• DNNSurv 直接输出特定时间点的生存概率，相较于风险比或预后指数，为临床医生和患者提供了更具可解释性的结果。