Case-Base Neural Networks: survival analysis with time-varying, higher-order interactions

要約

ニューラル ネットワーク ベースの生存法は、データ駆動型の共変量相互作用をモデル化できます。
これらの方法は回帰ベースのアプローチよりも優れた予測パフォーマンスを提供できますが、すべてが時間とともに変化する相互作用や複雑なベースラインハザードをモデル化できるわけではありません。
これに対処するために、ケースベース サンプリング フレームワークと柔軟なニューラル ネットワーク アーキテクチャを組み合わせた新しいアプローチとして、ケースベース ニューラル ネットワーク (CBNN) を提案します。
新しいサンプリング スキームとデータ拡張を使用して打ち切りを自然に考慮し、入力として時間がかかるフィードフォワード ニューラル ネットワークを構築します。
CBNN は、特定の瞬間に発生するイベントの確率を予測して、ハザード関数を推定します。
2 つの時間依存メトリクスを使用したシミュレーションと 3 つのケーススタディで、CBNN のパフォーマンスを回帰およびニューラル ネットワーク ベースの生存法と比較します。
まず、複雑なベースラインハザードと時間変化する相互作用を含むシミュレーションのパフォーマンスを調べて、すべての手法を評価し、CBNN が競合他社を上回りました。
次に、すべての手法を 3 つの実際のデータ アプリケーションに適用しました。CBNN は 2 つの研究で競合モデルを上回り、3 つ目の研究では同様のパフォーマンスを示しました。
私たちの結果は、ケースベースのサンプリングと深層学習を組み合わせて、単一イベントの生存結果のデータ駆動型の時間変化する相互作用モデリングのためのシンプルで柔軟なモデリング フレームワークを提供する利点を強調しています。
R パッケージは https://github.com/Jesse-Islam/cbnn で入手できます。

要約(オリジナル)

Neural network-based survival methods can model data-driven covariate interactions. While these methods can provide better predictive performance than regression-based approaches, not all can model time-varying interactions and complex baseline hazards. To address this, we propose Case-Base Neural Networks (CBNNs) as a new approach that combines the case-base sampling framework with flexible neural network architectures. Using a novel sampling scheme and data augmentation to naturally account for censoring, we construct a feed-forward neural network that may take time as an input. CBNNs predict the probability of an event occurring at a given moment to estimate the hazard function. We compare the performance of CBNNs to regression and neural network-based survival methods in a simulation and three case studies using two time-dependent metrics. First, we examine performance on a simulation involving a complex baseline hazard and time-varying interactions to assess all methods, with CBNN outperforming competitors. Then, we apply all methods to three real data applications, with CBNNs outperforming the competing models in two studies and showing similar performance in the third. Our results highlight the benefit of combining case-base sampling with deep learning to provide a simple and flexible modeling framework for data-driven, time-varying interaction modeling of single event survival outcomes. An R package is available at https://github.com/Jesse-Islam/cbnn.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google