[论文解读] Tree based weighted learning for estimating individualized treatment rules with censored data

Yifan Cui, Ruoqing Zhu+1 more|arXiv (Cornell University)|Jul 30, 2017

Statistical Methods and Inference参考文献 23被引用 5

一句话总结

本文提出了一种基于树的加权学习方法，用于在右删失生存数据下估计个体化治疗规则，通过使用递归插补生存树非参数估计期望生存时间，避免了逆概率加权和参数建模。该方法实现了相合性与最优收敛速率，在模拟研究和一项非小细胞肺癌三期临床试验中表现优于现有方法。

ABSTRACT

Estimating individualized treatment rules is a central task for personalized medicine. [zhao2012estimating] and [zhang2012robust] proposed outcome weighted learning to estimate individualized treatment rules directly through maximizing the expected outcome without modeling the response directly. In this paper, we extend the outcome weighted learning to right censored survival data without requiring either an inverse probability of censoring weighting or a semiparametric modeling of the censoring and failure times as done in [zhao2015doubly]. To accomplish this, we take advantage of the tree based approach proposed in [zhu2012recursively] to nonparametrically impute the survival time in two different ways. The first approach replaces the reward of each individual by the expected survival time, while in the second approach only the censored observations are imputed by their conditional expected failure times. We establish consistency and convergence rates for both estimators. In simulation studies, our estimators demonstrate improved performance compared to existing methods. We also illustrate the proposed method on a phase III clinical trial of non-small cell lung cancer.

研究动机与目标

• 开发一种稳健的方法，用于在生存结局为右删失时估计个体化治疗规则，且不依赖于删失概率的逆概率加权。
• 解决现有结果加权学习方法在删失情况下的局限性，特别是逆加权带来的不稳定性与模型误设问题。
• 通过递归插补生存树实现非参数插补，将结果加权学习扩展至删失数据。
• 在一般设定下（包括连续协变量）建立所提估计量的一致性与收敛速率的理论基础。
• 在模拟研究和一项III期非小细胞肺癌临床试验中，展示方法性能的提升。

提出的方法

• 使用递归插补生存树（Zhu & Kosorok, 2012）非参数估计删失观测的条件期望失败时间。
• 以两种方式插补生存时间：(1) 将所有奖励替换为期望生存时间；(2) 仅将删失观测插补为其条件期望失败时间。
• 利用插补后的生存时间作为奖励，应用结果加权学习（Zhao et al., 2012），将治疗规则估计重新表述为加权分类问题。
• 采用基于树的非参数估计方法，避免对删失和失败时间分布进行参数或半参数建模。
• 通过针对价值函数差异的新型技术界，推导出两种插补策略的理论一致性和收敛速率。
• 采用递归插补机制，在随机生存森林框架内迭代改进生存时间估计。

实验结果

研究问题

• RQ1 能否在不依赖删失概率逆概率加权的前提下，有效将结果加权学习扩展至右删失生存数据？
• RQ2 递归插补生存树能否提供一种稳定、非参数的替代方法，用于插补删失生存时间，替代半参数建模？
• RQ3 在一般条件下（包括连续协变量），所提估计量是否能实现一致性和最优收敛速率？
• RQ4 在有限样本中，所提方法与现有方法（如逆概率加权和双重稳健方法）相比性能如何？
• RQ5 该方法能否成功应用于真实世界临床数据，如III期非小细胞肺癌临床试验？

主要发现

• 所提方法在两种插补策略下均实现了相合性与最优收敛速率，理论界在一般条件下已建立。
• 在30%删失率的模拟中，RIST-R1与RIST-R2方法在情景3中的平均对数生存时间分别为785和771（×10³），接近理论最优值1079（×10³）。
• 在60%删失率下，RIST-R1与RIST-R2方法在情景3中仍优于ICO、DR与Cox模型，平均对数生存时间分别为753和748（×10³）。
• 该方法在所有模拟情景中均表现出稳健性能，包括最优值为负的情景，且始终优于竞争方法。
• 在非小细胞肺癌临床试验中，所提方法识别出能最大化期望生存时间的治疗规则，验证了其临床适用性。
• 与逆概率加权和双重稳健方法相比，该方法在高删失率和模型误设条件下表现出更高的稳定性和准确性。