[论文解读] SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data

Alicia Curth, Changhee Lee+1 more|arXiv (Cornell University)|Oct 26, 2021

Advanced Causal Inference Techniques被引用 13

一句话总结

SurvITE 提出了一种深度学习方法，通过使用表示平衡来解决多种协变量偏移问题，从生存时间数据中估计异质性处理效应。该方法在合成设置下，于生存函数和处理效应估计方面优于基线模型，尤其在缓解混淆、信息性删失和事件诱导的协变量偏移方面表现突出。

ABSTRACT

We study the problem of inferring heterogeneous treatment effects from time-to-event data. While both the related problems of (i) estimating treatment effects for binary or continuous outcomes and (ii) predicting survival outcomes have been well studied in the recent machine learning literature, their combination -- albeit of high practical relevance -- has received considerably less attention. With the ultimate goal of reliably estimating the effects of treatments on instantaneous risk and survival probabilities, we focus on the problem of learning (discrete-time) treatment-specific conditional hazard functions. We find that unique challenges arise in this context due to a variety of covariate shift issues that go beyond a mere combination of well-studied confounding and censoring biases. We theoretically analyse their effects by adapting recent generalization bounds from domain adaptation and treatment effect estimation to our setting and discuss implications for model design. We use the resulting insights to propose a novel deep learning method for treatment-specific hazard estimation based on balancing representations. We investigate performance across a range of experimental settings and empirically confirm that our method outperforms baselines by addressing covariate shifts from various sources.

研究动机与目标

• 为解决临床和流行病学研究中常见的时间-事件结果的异质性处理效应估计在机器学习方法上的空白。
• 形式化并分析由于标准混淆和删失之外的多种协变量偏移源，导致估计处理特异性风险函数所面临的独特挑战。
• 开发一种基于神经网络的新方法，通过在处理、删失和事件诱导偏移之间平衡表示，以改善风险函数和生存函数的估计。
• 通过在各种合成数据场景下实证验证该方法在估计处理效应和生存动态方面的优越性。

提出的方法

• 该方法使用具有共享头和时间特异性头的深度神经网络，在离散时间下学习处理特异的条件风险函数。
• 引入一种基于领域自适应风格正则化的表示平衡机制，以缓解非随机处理分配、信息性删失和事件诱导偏移带来的协变量偏移。
• 模型采用平衡系数 β 控制表示对齐与预测性能之间的权衡，通过验证集性能选择该参数。
• 提出一种变体 SurvIHE，用于在无处理干预的标准生存设置下进行个体化风险估计。
• 该方法使用逆概率加权与矩匹配（IPM）来对齐来自不同协变量偏移源的表示。
• 引入两种消融技术——时间步长上的平滑处理和参数共享——以在训练数据有限时提升泛化能力。

实验结果

研究问题

• RQ1 多种协变量偏移源（混淆、信息性删失和事件诱导偏移）如何影响时间-事件数据中处理特异性风险函数的估计？
• RQ2 这些协变量偏移对生存处理效应估计中经验风险最小化有何理论影响？
• RQ3 在深度学习模型中，表示平衡是否能有效缓解多种偏移源的综合影响，从而改善风险函数和生存函数的估计？
• RQ4 所提出的 SurvITE 模型在估计时间-事件结果的异质性处理效应方面，与现有基线相比表现如何？
• RQ5 哪些超参数设置（如平衡系数 β）能在处理效应估计和判别能力两方面实现最优性能？

主要发现

• 在所有合成场景中，SurvITE 在估计处理特异性生存函数和异质性处理效应（HTE）方面均优于所有基线模型，尤其在涉及多种偏移源的复杂场景中性能提升最为显著。
• 在 S3 和 S4 场景中，该方法在所有时间步长上均取得最高的 C-index，表明其在生存预测方面具有更优的判别性能。
• 通过验证集选择出最优平衡系数 β = 0.001；更高的值会降低判别性能，而更低的值则无法充分平衡表示。
• 平滑处理和参数共享技术在训练数据有限（如 2000 个样本）时显著提升估计性能，即使模型灵活性降低，仍能保持合理的准确性。
• 风险函数估计结果与生存函数一致，SurvITE 的 RMSE 最低；然而，误差累积使得风险估计在后期时间步长对模型差异的敏感度略低。
• 敏感性分析表明，适度的 IPM 正则化至关重要：过度正则化会损害信息保留，而正则化不足则无法有效平衡协变量偏移。