Neural Networks for net survival estimation and prediction
Diese Arbeit stellt einen maschinellen Lernansatz unter Verwendung eines adaptierten Partial Logistic Artificial Neural Network (PLANN) zur Schätzung und Vorhersage der Nettosurvival vor, wobei die Flexibilität bei der Handhabung komplexer Datenstrukturen im Vergleich zu traditionellen Spline-basierten Regressionen aufgezeigt wird, während gleichzeitig eine höhere Varianz der Schätzungen bei kleineren Stichprobenumfängen angemerkt wird und das R-Paket `survivalPLANN` zur Implementierung bereitgestellt wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen vorherzusagen, wie lange ein Krebspatient leben könnte, aber Sie müssen ein kniffliges Spiel namens „Subtraktion des Hintergrundrauschens“ spielen. In der realen Welt sterben Menschen aus allerlei Gründen – Autounfällen, Herzproblemen, Altersschwäche. Aber um zu verstehen, wie tödlich Krebs wirklich ist, müssen Ärzte die „Nettoüberlebensrate“ berechnen. Denken Sie dies als eine kontrafaktische Welt, in der Krebs das Einzige ist, was einen töten kann. Es ist, als versuche man, ein einzelnes Violinsolistensolo in einem Raum voller sprechender Menschen zu hören; man muss herausfinden, wie man das Gemurmel stummschaltet, um die Musik klar zu hören.
Lange Zeit verwendeten Wissenschaftler eine „Goldstandard“-Methode namens Pohar-Perme (PP)-Schätzer. Dies ist wie ein superpräzises, nicht-parametrisches Lineal. Aber es gibt einen Haken: Dieses Lineal wird sehr ungeschickt, wenn man versucht, gleichzeitig spezifische Gruppen von Menschen zu messen. Wenn Sie die Überlebensrate für „Frauen mit Darmkrebs“ im Vergleich zu „Männern mit Kolonkarzinom“ wissen wollen, müssen Sie Ihre Daten in winzige Haufen aufteilen. Wenn diese Haufen zu klein werden, hört das Lineal auf, gut zu funktionieren.
Um dies zu beheben, stellten die Forscher Thomas Ollard und Yohann Foucher von der Universität Poitiers eine kühne Frage: Was wäre, wenn wir statt eines starren Lineals ein maschinelles Lern-„Gehirn“ (ein neuronales Netz) verwenden würden?
Das neue „Gehirn“ vs. das alte Lineal
Das Team entwickelte eine spezifische Art von künstlichem neuronalen Netz namens PLANN (Partial Logistic Artificial Neural Network). Sie können sich PLANN als ein superflexibles, formveränderliches Tonmodell vorstellen. Im Gegensatz zu traditionellen statistischen Modellen, die die Daten in eine gerade Linie oder eine vorgegebene Kurve zwingen (wie ein starres Lineal), kann sich PLANN an die unordentliche, wackelige Realität anpassen, wie Krebs im Laufe der Zeit verläuft.
Sie testeten dieses „Gehirn“ auf zwei Arten:
- Simulationen: Sie erstellten 1.000 gefälschte Krebsdatensätze auf einem Computer, um zu sehen, wie PLANN verschiedene Szenarien handhabt, einschließlich schwieriger Situationen, in denen sich das Sterberisiko unvorhersehbar verändert (nicht-proportionale Hazards).
- Reale Daten: Sie wandten es auf eine echte Datenbank von fast 6.000 Menschen mit kolorektalem Karzinom aus Slowenien an.
Was sie fanden (Die guten Nachrichten)
Die Simulationen und der Test mit realen Daten zeigten, dass PLANN unglaublich flexibel ist.
- Kein Aufteilen mehr: In der Anwendung mit realen Daten konnte PLANN Überlebensraten vorhersagen, die fast identisch mit dem „Goldstandard“-PP-Schätzer waren, selbst ohne die Daten in winzige, schwache Haufen aufzuteilen. Es bewältigte komplexe Interaktionen (wie etwa, wie Alter und Krebslokalisation zusammenwirken könnten), ohne dass die Forscher ihm manuell sagen mussten, wie genau diese Variablen interagieren.
- Genauigkeit: In den Simulationen war der „Bias“ (die Abweichung der Schätzung von der Wahrheit) winzig. In einem Szenario mit proportionalen Hazards hatte PLANN beispielsweise einen Bias von nur 0,07 % nach 3 Jahren, 0,11 % nach 5 Jahren und 0,38 % nach 10 Jahren. Das ist praktisch punktgenau.
- Real-World-Match: Bei der Betrachtung des 5-Jahres-Überlebens der gesamten Gruppe sagte PLANN 0,461 voraus (mit einem Konfidenzintervall von 0,444 bis 0,491), was fast identisch mit dem PP-Schätzer von 0,459 war.
Der Haken (Die nicht-so-guten Nachrichten)
Hier wird die Geschichte etwas vorsichtiger. Obwohl PLANN flexibel ist, hat es einen Preis: Varianz.
- Die wackelige Vorhersage: In den Simulationen waren die Vorhersagen von PLANN etwas „wackeliger“ als die der traditionellen Spline-basierten Modelle. Der „Root Mean Square Error“ (ein Maß dafür, wie stark die Vorhersagen springen) war etwas höher. Beispielsweise betrug der Fehler von PLANN im Szenario mit proportionalen Hazards nach 10 Jahren 1,43 %, verglichen mit 1,24 % für das traditionelle Spline-Modell.
- Das Problem der Stichprobengröße: Die Arbeit warnt explizit davor, dass dieses Wackeln schlimmer wird, wenn man weniger Menschen hat. Als sie mit einer kleineren Gruppe von 500 Personen testeten, sprang der Fehler für PLANN signifikant an (bis zu 2,99 % nach 10 Jahren), während die traditionellen Modelle stabiler blieben.
- Diskriminierung: In der Anwendung mit realen Daten war PLANN tatsächlich schlechter darin, zwischen Hochrisiko- und Niedrigrisikopatienten zu unterscheiden (gemessen am AUC) als die Spline-Modelle. Für eine 5-Jahres-Prognose erreichte PLANN einen Wert von 0,719, während die Spline-Modelle 0,798 und 0,768 erreichten.
Das Urteil
Die Autoren kommen zu dem Schluss, dass PLANN ein mächtiges, flexibles Werkzeug ist, das die Notwendigkeit eines unordentlichen Datenteilens vermeiden kann, was es ideal für komplexe Datensätze macht, bei denen man keine lineare Beziehung zwischen den Variablen voraussetzen möchte.
Sie behaupten jedoch nicht, dass es das Problem „gelöst“ oder dass es in jeder Situation besser ist. Sie stellen ausdrücklich fest, dass es aufgrund seiner höheren Varianz möglicherweise nicht für Studien mit reduzierten Stichprobengrößen nützlich ist. Wenn Sie nur eine geringe Anzahl an Patienten haben, sind die traditionellen modellbasierten Ansätze wahrscheinlich immer noch die sicherere Wahl.
Kurz gesagt: PLANN ist wie ein Hochleistungs-Sportwagen, der jede Kurve auf der Rennstrecke (komplexe Daten) meistern kann, aber er braucht eine lange, gerade Startbahn (eine große Stichprobengröße), um Fahrt aufzunehmen, ohne auszubrechen. Wenn die Startbahn kurz ist, bringt Sie die alte, zuverlässige Limousine (die Spline-Modelle) wahrscheinlich reibungsloser ans Ziel.
Um anderen die Nutzung dieses Werkzeugs zu ermöglichen, haben die Autoren ein kostenloses Softwarepaket für R namens survivalPLANN veröffentlicht, damit Forscher diesen flexiblen Ansatz selbst ausprobieren können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.