[论文解读] Semi-Structured Deep Piecewise Exponential Models

Philipp Kopper, Sebastian Pölsterl+4 more|arXiv (Cornell University)|Nov 11, 2020

3D Shape Modeling and Analysis参考文献 36被引用 7

一句话总结

本文提出 DeepPAM，一种半结构化的深度分段指数模型，通过将可解释的结构化预测器与深度神经网络相结合，用于建模具有时变特征、竞争风险和多源数据的生存数据。该方法能够联合学习表格数据和非结构化数据（例如 3D 点云），在阿尔茨海默病进展预测和合成数据上实现了与正确设定模型相当的性能。

ABSTRACT

We propose a versatile framework for survival analysis that combines advanced concepts from statistics with deep learning. The presented framework is based on piecewise exponential models and thereby supports various survival tasks, such as competing risks and multi-state modeling, and further allows for estimation of time-varying effects and time-varying features. To also include multiple data sources and higher-order interaction effects into the model, we embed the model class in a neural network and thereby enable the simultaneous estimation of both inherently interpretable structured regression inputs as well as deep neural network components which can potentially process additional unstructured data sources. A proof of concept is provided by using the framework to predict Alzheimer's disease progression based on tabular and 3D point cloud data and applying it to synthetic data.

研究动机与目标

• 开发一种灵活且可解释的生存分析框架，以处理竞争风险、多状态模型和时变特征等复杂数据结构。
• 在统一模型中整合结构化可解释预测器（例如表格特征）与处理非结构化数据（例如图像、点云）的深度神经网络。
• 通过使用惩罚样条估计平滑基线风险，克服传统分段指数模型对切点选择敏感的局限性。
• 在真实世界和合成数据上评估模型性能，特别是在使用多模态数据预测阿尔茨海默病进展方面的表现。

提出的方法

• 该框架将分段指数加法模型（PAMs）与半结构化深度分布回归（SDDR）相结合，将结构化预测器嵌入神经网络架构中。
• 将风险函数建模为函数 f(x(t), t, k) 的指数形式，其中 f 同时包含表格特征的可加可解释效应和处理非结构化数据的深度神经网络组件。
• 使用惩罚样条估计平滑且稳健的基线风险和时变效应，避免了手动选择切点的需要。
• 通过特定于转换的危险函数，支持右删失、左截断、竞争风险和多状态生存任务。
• 非结构化数据（例如 3D 点云）通过深度神经网络头进行处理，学习潜在表征以影响危险函数。
• 通过带正则化的似然最大化进行模型训练，以平衡可解释性与预测能力。

实验结果

研究问题

• RQ1 统一的生存模型能否有效结合可解释的结构化预测器与深度神经网络，以实现多模态数据的分析？
• RQ2 与仅使用表格数据的模型相比，整合非结构化数据（例如 3D 点云）是否能提升生存预测性能？
• RQ3 当使用非结构化数据的潜在表征时，该模型在恢复真实时变效应和项目特定危险效应方面表现如何？
• RQ4 在预测准确性方面，该模型与基准模型（如 Cox 比例风险模型、Kaplan-Meier 估计器）以及正确设定的 PAM 模型相比表现如何？

主要发现

• DeepPAM 在中位生存时间的 IBS（综合 Brier 评分）为 1.27（±1.83），优于基线 PAM（4.39），并接近正确设定 PAM 的性能（4.39）。
• 在合成数据上，DeepPAM 成功恢复了三个潜在项目类别中两个的真实危险效应，第三个类别的效应虽存在一些偏差，但仍处于 5%-95% 分位数范围内。
• 不包含点云信息的基线模型在所有类别中均预测恒定危险，证实 DeepPAM 有效利用了非结构化数据实现区分能力。
• DeepPAM 在中位时间的 IBS 为 4.16，优于 Cox 比例风险模型（IBS：4.16）和 Kaplan-Meier 估计器（IBS：12.54），显示出更优的预测性能。
• 与真实 PAM 模型相比，DeepPAM 的中位 IBS 差异为 1.27%（±1.83），表明其具备出色的预测保真度。
• 该模型在处理时变特征和功能效应方面表现出稳健性，模型复杂性未导致性能显著下降。