Neural Fine-Gray: Monotonic neural networks for competing risks

要約

生存分析として知られるTime-to-Eventモデリングは、対象となるイベントを経験しない患者の打ち切りに対処するため、標準的な回帰とは異なる。この問題への取り組みに競争力があるにもかかわらず、機械学習法は、対象となるイベントを妨げる他の競合リスクをしばしば無視します。このようなやり方は、生存率推定に偏りを与える。この課題を解決するための拡張は、パラメトリックな仮定や数値的な推定に頼ることが多く、最適とは言えない生存率近似になる。この論文では、競合する各生存分布をモデル化するために、制約付き単調ニューラルネットワークを活用する。このモデリングは、自動微分を使用することにより、計算コストを抑えながら正確な尤度最大化を保証する。このソリューションの有効性は、1つの合成データセットと3つの医療データセットで実証された。最後に、医療現場でリスクスコアを開発する際に競合するリスクを考慮することの意味について議論する。

要約(オリジナル)

Time-to-event modelling, known as survival analysis, differs from standard regression as it addresses censoring in patients who do not experience the event of interest. Despite competitive performances in tackling this problem, machine learning methods often ignore other competing risks that preclude the event of interest. This practice biases the survival estimation. Extensions to address this challenge often rely on parametric assumptions or numerical estimations leading to sub-optimal survival approximations. This paper leverages constrained monotonic neural networks to model each competing survival distribution. This modelling choice ensures the exact likelihood maximisation at a reduced computational cost by using automatic differentiation. The effectiveness of the solution is demonstrated on one synthetic and three medical datasets. Finally, we discuss the implications of considering competing risks when developing risk scores for medical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL