Interpretable Deep Regression Models with Interval-Censored Failure Time Data

要約

ディープニューラルネットワーク（DNNS）は、各隠されたレイヤーの単純な関数を順次統合することにより、複雑なデータ構造をモデル化するための強力なツールになりました。
生存分析では、DNNの最近の進歩は、主にモデル能力の向上に焦点を当てています。
ただし、観測不能な故障時間が間隔にあることのみが知られている間隔で検査されたデータの深い学習方法は、露出していないままであり、特定のデータタイプまたはモデルに限定されます。
この作業では、部分的に線形変換モデルの広範なクラスを備えたインターバルセンサーデータの一般的な回帰フレームワークを提案します。ここでは、主要な共変量効果がパラメトリックにモデル化され、迷惑な多モーダル共変量の非線形効果はDNNSを介して近似され、解釈可能性と柔軟性のバランスが取れています。
モノトンスプラインを活用して累積ベースラインハザード関数を近似することにより、ふるいの最尤推定を使用します。
信頼できる扱いやすい推定を確保するために、確率的勾配降下を組み込んだEMアルゴリズムを開発します。
パラメーター推定器の漸近特性を確立し、DNN推定器が最小光最適収束を達成することを示します。
広範なシミュレーションは、最先端の方法よりも優れた推定と予測の精度を示しています。
私たちの方法をアルツハイマー病の疾患ニューロイメージングイニシアチブデータセットに適用すると、従来のアプローチと比較して、新しい洞察と予測パフォーマンスが向上します。

要約(オリジナル)

Deep neural networks (DNNs) have become powerful tools for modeling complex data structures through sequentially integrating simple functions in each hidden layer. In survival analysis, recent advances of DNNs primarily focus on enhancing model capabilities, especially in exploring nonlinear covariate effects under right censoring. However, deep learning methods for interval-censored data, where the unobservable failure time is only known to lie in an interval, remain underexplored and limited to specific data type or model. This work proposes a general regression framework for interval-censored data with a broad class of partially linear transformation models, where key covariate effects are modeled parametrically while nonlinear effects of nuisance multi-modal covariates are approximated via DNNs, balancing interpretability and flexibility. We employ sieve maximum likelihood estimation by leveraging monotone splines to approximate the cumulative baseline hazard function. To ensure reliable and tractable estimation, we develop an EM algorithm incorporating stochastic gradient descent. We establish the asymptotic properties of parameter estimators and show that the DNN estimator achieves minimax-optimal convergence. Extensive simulations demonstrate superior estimation and prediction accuracy over state-of-the-art methods. Applying our method to the Alzheimer’s Disease Neuroimaging Initiative dataset yields novel insights and improved predictive performance compared to traditional approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google