CenTime: Event-Conditional Modelling of Censoring in Survival Analysis

要約

生存分析は、ベースラインの観察に基づいて、死亡やがんの再発などの特定のイベントが発生するまでの時間を推定するための貴重なツールです。
これは、医療において、患者データに基づいて臨床的に重要な事象を予後予測するのに特に役立ちます。
ただし、既存のアプローチには制限があることがよくあります。
生存可能性によって患者をランク付けすることのみに焦点を当て、実際のイベント時間の推定を無視するものもあれば、イベントの固有の時間順序構造を無視して、問題を分類タスクとして扱うものもあります。
さらに、打ち切りサンプル（正確なイベント時間が不明なトレーニング データ ポイント）を効果的に利用することは、モデルの予測精度を向上させるために不可欠です。
この論文では、イベントまでの時間を直接推定する生存分析への新しいアプローチである CenTime を紹介します。
私たちの方法は、無検閲のデータが不足している場合でも堅牢に実行される革新的なイベント条件付き検閲メカニズムを特徴としています。
我々は、無修正データがない場合でも、私たちのアプローチがイベントモデルパラメータの一貫した推定量を形成することを実証します。
さらに、CenTime は、バッチ サイズや無修正サンプルの数に制限がなく、深層学習モデルと簡単に統合できます。
私たちのアプローチを、Cox 比例ハザード モデルや DeepHit などの標準的な生存分析手法と比較します。
私たちの結果は、CenTime が同等のランキング パフォーマンスを維持しながら、死亡までの時間の予測において最先端のパフォーマンスを提供していることを示しています。
私たちの実装は https://github.com/ahmedhshahin/CenTime で公開されています。

要約(オリジナル)

Survival analysis is a valuable tool for estimating the time until specific events, such as death or cancer recurrence, based on baseline observations. This is particularly useful in healthcare to prognostically predict clinically important events based on patient data. However, existing approaches often have limitations; some focus only on ranking patients by survivability, neglecting to estimate the actual event time, while others treat the problem as a classification task, ignoring the inherent time-ordered structure of the events. Furthermore, the effective utilization of censored samples – training data points where the exact event time is unknown – is essential for improving the predictive accuracy of the model. In this paper, we introduce CenTime, a novel approach to survival analysis that directly estimates the time to event. Our method features an innovative event-conditional censoring mechanism that performs robustly even when uncensored data is scarce. We demonstrate that our approach forms a consistent estimator for the event model parameters, even in the absence of uncensored data. Furthermore, CenTime is easily integrated with deep learning models with no restrictions on batch size or the number of uncensored samples. We compare our approach with standard survival analysis methods, including the Cox proportional-hazard model and DeepHit. Our results indicate that CenTime offers state-of-the-art performance in predicting time-to-death while maintaining comparable ranking performance. Our implementation is publicly available at https://github.com/ahmedhshahin/CenTime.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google