Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients

要約

肺がんは世界的にがん死亡率の主要な原因であり、効果的な患者中心の治療法を設計するには、肺がんの死亡リスクを理解することの重要性が強調されています。
National Lung Screening Trial (NLST) は、肺がんの危険因子を調査することを目的とした全国的な研究です。
この研究では、肺がん患者の死亡リスクを定量化するために、CT スキャン上のテクスチャ パターンの客観的な測定値を提供するコンピューター断層撮影テクスチャ解析 (CTTA) を採用しました。
部分線形 Cox モデルは、確立された危険因子 (年齢やその他の臨床因子など) と新しい危険因子 (画像の特徴など) の両方を単一のフレームワークで効果的に処理するため、生存転帰をモデル化するための一般的なツールになりつつあります。
がんの生存に影響を与えるテクスチャの特徴を特定する際の課題は、スキャナーの種類、セグメンテーション、臓器の動きなどの要因に対する感度によるものです。
この課題を克服するために、重要なテクスチャ機能を選択するために SCAD ペナルティを組み込み、モデルのノンパラメトリック コンポーネントを正確に推定するためにディープ ニューラル ネットワークを採用する、新しいペナルティ付きディープ部分線形 Cox モデル (ペナルティ付き DPLC) を提案します。
推定量の収束と漸近特性を証明し、広範なシミュレーション研究を通じて他の方法と比較し、リスク予測と機能選択におけるその性能を評価します。
提案された方法は、NLST 研究データセットに適用され、患者の生存に対する重要な臨床および画像リスク要因の影響を明らかにします。
私たちの調査結果は、これらの要因と生存結果との関係について貴重な洞察を提供します。

要約(オリジナル)

Lung cancer is a leading cause of cancer mortality globally, highlighting the importance of understanding its mortality risks to design effective patient-centered therapies. The National Lung Screening Trial (NLST) was a nationwide study aimed at investigating risk factors for lung cancer. The study employed computed tomography texture analysis (CTTA), which provides objective measurements of texture patterns on CT scans, to quantify the mortality risks of lung cancer patients. Partially linear Cox models are becoming a popular tool for modeling survival outcomes, as they effectively handle both established risk factors (such as age and other clinical factors) and new risk factors (such as image features) in a single framework. The challenge in identifying the texture features that impact cancer survival is due to their sensitivity to factors such as scanner type, segmentation, and organ motion. To overcome this challenge, we propose a novel Penalized Deep Partially Linear Cox Model (Penalized DPLC), which incorporates the SCAD penalty to select significant texture features and employs a deep neural network to estimate the nonparametric component of the model accurately. We prove the convergence and asymptotic properties of the estimator and compare it to other methods through extensive simulation studies, evaluating its performance in risk prediction and feature selection. The proposed method is applied to the NLST study dataset to uncover the effects of key clinical and imaging risk factors on patients’ survival. Our findings provide valuable insights into the relationship between these factors and survival outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google