Evidential time-to-event prediction model with well-calibrated uncertainty estimation

要約

イベント発生までの時間分析、つまり生存分析は、臨床予後と推奨治療法についての貴重な洞察を提供します。
ただし、このタスクは通常、観測値が打ち切られているため、他の回帰タスクよりも困難です。
さらに、臨床医の間では予測の信頼性に関する懸念が根強く残っており、その主な原因は、予測の信頼性評価、堅牢性、および校正の欠如にあります。
これらの課題に対処するために、イベントまでの時間予測タスク用に特別に設計された証拠回帰モデルを導入します。このモデルを使用すると、最も妥当性のあるイベント時間が、集約されたガウス乱数ファジー数 (GRFN) によって直接定量化されます。
GRFN は、ガウス確率変数とガウス確率分布の両方を一般化する実数直線のランダム ファジー サブセットの新たに導入されたファミリーです。
比例ハザード関数など、厳密なデータ分布に基づいてモデルを構築する従来の方法とは異なり、私たちのモデルは、厳密な分布を仮定せずに、イベント時間が実数ライン GFRN でエンコードされていることのみを仮定するため、複雑なデータ シナリオでより高い柔軟性を提供します。
さらに、イベント時間に関する認識論的不確実性と偶発的不確実性も、集約された GRFN 内で定量化されます。
したがって、私たちのモデルは、さらに 2 つのレベルの情報を使用して、より詳細な臨床意思決定のガイダンスを提供できます。
このモデルは、不確実性証拠推論に基づくデータ打ち切りを考慮した一般化された負の対数尤度関数を最小化することによって適合されます。
さまざまなデータ分布と打ち切りシナリオを含むシミュレートされたデータセット、および多様な臨床設定とタスクにわたる現実世界のデータセットでの実験結果は、当社のモデルが正確で信頼性の高いパフォーマンスの両方を達成し、最先端の方法を上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Time-to-event analysis, or Survival analysis, provides valuable insights into clinical prognosis and treatment recommendations. However, this task is typically more challenging than other regression tasks due to the censored observations. Moreover, concerns regarding the reliability of predictions persist among clinicians, mainly attributed to the absence of confidence assessment, robustness, and calibration of prediction. To address those challenges, we introduce an evidential regression model designed especially for time-to-event prediction tasks, with which the most plausible event time, is directly quantified by aggregated Gaussian random fuzzy numbers (GRFNs). The GRFNs are a newly introduced family of random fuzzy subsets of the real line that generalizes both Gaussian random variables and Gaussian possibility distributions. Different from conventional methods that construct models based on strict data distribution, e.g., proportional hazard function, our model only assumes the event time is encoded in a real line GFRN without any strict distribution assumption, therefore offering more flexibility in complex data scenarios. Furthermore, the epistemic and aleatory uncertainty regarding the event time is quantified within the aggregated GRFN as well. Our model can, therefore, provide more detailed clinical decision-making guidance with two more degrees of information. The model is fit by minimizing a generalized negative log-likelihood function that accounts for data censoring based on uncertainty evidence reasoning. Experimental results on simulated datasets with varying data distributions and censoring scenarios, as well as on real-world datasets across diverse clinical settings and tasks, demonstrate that our model achieves both accurate and reliable performance, outperforming state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google