[论文解读] Random Forests of Interaction Trees for Estimating Individualized Treatment Effects in Randomized Trials

Xiaogang Su, Annette T. Peña+2 more|arXiv (Cornell University)|Sep 14, 2017

Advanced Causal Inference Techniques参考文献 3被引用 3

一句话总结

本文提出了一种新型集成方法——交互树随机森林（RFIT），通过使用平滑S形代理（SSS）实现更快的树构建，并应用无穷小重抽样法估计标准误，从而在随机对照试验中改进了个体化治疗效应（ITE）的估计。与传统的独立回归相比，RFIT在小样本至中等样本量下显著降低了偏差并提高了估计精度。

ABSTRACT

Assessing heterogeneous treatment effects has become a growing interest in advancing precision medicine. Individualized treatment effects (ITE) play a critical role in such an endeavor. Concerning experimental data collected from randomized trials, we put forward a method, termed random forests of interaction trees (RFIT), for estimating ITE on the basis of interaction trees (Su et al., 2009). To this end, we first propose a smooth sigmoid surrogate (SSS) method, as an alternative to greedy search, to speed up tree construction. RFIT outperforms the traditional `separate regression' approach in estimating ITE. Furthermore, standard errors for the estimated ITE via RFIT can be obtained with the infinitesimal jackknife method. We assess and illustrate the use of RFIT via both simulation and the analysis of data from an acupuncture headache trial.

研究动机与目标

• 为解决在随机对照试验数据中估计个体化治疗效应（ITE）在精准医学中的挑战。
• 与传统的独立回归（SR）方法相比，降低偏差并提高ITE估计的准确性。
• 开发一种计算高效的交互树构建方法，利用平滑S形代理（SSS）替代贪婪搜索。
• 通过无穷小重抽样法为RFIT框架中的ITE估计提供有效的标准误。
• 通过模拟和一项针灸治疗偏头痛的真实世界试验数据，展示该方法的性能。

提出的方法

• RFIT采用基于交互树（IT）的随机森林来建模治疗与协变量之间的交互作用，以实现ITE估计。
• 引入平滑S形代理（SSS）作为贪婪搜索的可微分替代方法，实现更快、更稳定的树生长。
• 将无穷小重抽样法扩展至计算由RFIT得出的ITE估计的标准误。
• 该方法将ITE估计为森林中终端节点内治疗组与对照组预测结果的差异。
• RFIT通过自助采样（bagging）和多棵交互树的集成平均，降低方差并提高鲁棒性。
• 检查终端节点内的协变量平衡性，若发现不平衡则可进行额外调整。

实验结果

研究问题

• RQ1 在偏差和均方误差方面，RFIT与独立回归相比在估计个体化治疗效应方面表现如何？
• RQ2 平滑S形代理（SSS）是否能显著加快树构建速度，同时保持或提升估计精度？
• RQ3 无穷小重抽样法是否适用于RFIT框架中ITE估计标准误的估计？
• RQ4 RFIT在基于协变量定义的不同亚组中检测异质性治疗效应方面表现如何？
• RQ5 在不同样本量和数据配置下，RFIT是否保持良好的性能？

主要发现

• 与独立回归相比，RFIT在小样本至中等样本量（n=100 和 n=500）下显著降低了ITE估计的偏差。
• 在 n=500 时，RFIT的偏差趋于减小，而SR仍表现出显著偏差，尤其在预测极端ITE值时。
• RFIT的ITE估计范围比SR更宽，表明其方差更低，对真实ITE值的覆盖更充分。
• 通过无穷小重抽样推导出的标准误公式在模拟中表现有效，准确反映了ITE估计的变异性。
• 在针灸治疗偏头痛试验中，RFIT成功识别出具有差异性治疗效应的亚组，展示了其实际应用价值。
• SSS方法在不牺牲估计精度的前提下，显著加快了树构建速度并提高了稳定性。