[论文解读] SurvivalGAN: Generating Time-to-Event Data for Survival Analysis

Alexander Norcliffe, Bogdan Cebere+3 more|arXiv (Cornell University)|Feb 24, 2023

Machine Learning in Healthcare被引用 5

一句话总结

SurvivalGAN 是一种生成对抗网络，旨在为生存分析生成高质量的生存时间数据，通过专用的时间-事件回归器、不平衡采样和条件 GAN 训练，解决删失和时间跨度不平衡的问题。它在生成逼真生存数据方面优于基线模型，并在 C 指数和 Brier 评分方面提升了下游生存模型的性能。

ABSTRACT

Synthetic data is becoming an increasingly promising technology, and successful applications can improve privacy, fairness, and data democratization. While there are many methods for generating synthetic tabular data, the task remains non-trivial and unexplored for specific scenarios. One such scenario is survival data. Here, the key difficulty is censoring: for some instances, we are not aware of the time of event, or if one even occurred. Imbalances in censoring and time horizons cause generative models to experience three new failure modes specific to survival analysis: (1) generating too few at-risk members; (2) generating too many at-risk members; and (3) censoring too early. We formalize these failure modes and provide three new generative metrics to quantify them. Following this, we propose SurvivalGAN, a generative model that handles survival data firstly by addressing the imbalance in the censoring and event horizons, and secondly by using a dedicated mechanism for approximating time-to-event/censoring. We evaluate this method via extensive experiments on medical datasets. SurvivalGAN outperforms multiple baselines at generating survival data, and in particular addresses the failure modes as measured by the new metrics, in addition to improving downstream performance of survival models trained on the synthetic data.

研究动机与目标

• 解决缺乏有效合成右删失表格生存数据生成方法的问题。
• 形式化生存数据生成中的三种独特故障模式：风险人群的生成不足或过多，以及过早删失。
• 提出新的评估指标，以定量衡量合成生存数据中这些故障模式的表现。
• 提出一种稳健的生成框架，整合删失数据，并处理时间跨度和删失的不平衡问题。
• 证明 SurvivalGAN 生成的合成数据可提升真实世界医疗数据集上下游生存模型的性能。

提出的方法

• 引入时间-事件/删失回归器，以建模时间-事件与删失状态的联合分布。
• 在时间跨度和删失状态上实施不平衡采样，以反映真实世界数据的分布。
• 使用条件 GAN 架构，基于时间-事件和删失预测生成表格特征。
• 端到端联合训练时间回归器与 GAN，以提升生成生存时间的时间保真度。
• 通过建模生存函数并在训练中利用其指导生成，将删失数据整合到训练过程中。
• 采用多阶段训练流程，结合时间回归器、不平衡采样和条件 GAN，实现联合优化。

(a) Over-optimism. The area under the synthetic curve is larger than the true curve, the model is over-optimistic.

实验结果

研究问题

• RQ1 在合成生存数据生成中，特别是针对删失和时间跨度不平衡问题，其关键故障模式是什么？
• RQ2 除了标准生成指标外，如何定量衡量合成生存数据的质量？
• RQ3 生成模型能否有效处理删失的表格生存数据，同时保持真实数据的统计特性？
• RQ4 SurvivalGAN 的各组成部分——时间回归器、不平衡采样和条件 GAN——在提升数据质量和下游模型性能方面分别起到多大作用？
• RQ5 与基线生成模型相比，SurvivalGAN 生成的合成数据是否能带来性能更优的生存模型？

主要发现

• SurvivalGAN 在生成逼真生存数据方面优于五种基线生成模型，其表现通过标准生成指标和新提出的生存特异性指标得到验证。
• 时间回归器显著提升了 C 指数表现，尤其在正确排序样本方面，同时减少了生存预测的短视性。
• 在时间跨度和删失状态上的不平衡采样对维持正确的生存函数形状至关重要，并显著提升了 C 指数，尤其在 PHEART 和 SEER 等大规模数据集上表现明显。
• 条件 GAN 组件对精确校准至关重要，若缺失将导致所有数据集上 Brier 评分显著下降。
• 消融实验表明，时间回归器、不平衡采样和条件 GAN 三个组件缺一不可，各自对数据质量的不同方面做出独特贡献。
• SurvivalGAN 生成的数据使下游生存模型性能更优：C 指数更高，Brier 评分更低，优于基于基线模型生成数据训练的模型。

(b) Over-pessimism. The area under the synthetic curve is lower than the true curve, the model is over-pessimistic.