Resumen Técnico: Evolución de Características vs. Evolución de Árboles Completos con GP para Análisis de Supervivencia Interpretable

1. Declaración del Problema

El análisis de supervivencia tiene como objetivo predecir el tiempo hasta que ocurre un evento específico, una tarea crítica en dominios médicos. Un desafío importante es manejar datos censurados (pacientes que no experimentan el evento durante el estudio) mientras se equilibra la precisión predictiva con la interpretabilidad.

Aunque los árboles de supervivencia ofrecen interpretabilidad inherente al particionar recursivamente cohortes de pacientes, enfrentan dos limitaciones principales:

1. Compensación entre Complejidad e Interpretabilidad: Para capturar relaciones complejas, no lineales e interacciones entre covariables, los árboles de supervivencia a menudo necesitan crecer en profundidad, lo que compromete su interpretabilidad y aumenta los riesgos de sobreajuste.
2. Limitaciones de la Inducción Codiciosa: La inducción clásica de árboles de supervivencia utiliza enfoques codiciosos, de arriba hacia abajo, que seleccionan la división óptima localmente en cada nodo. Esto a menudo pasa por alto combinaciones de divisiones globalmente óptimas, particularmente cuando la estructura real de los datos requiere combinaciones específicas de características no lineales (por ejemplo, interacciones tipo XOR) que no pueden ser capturadas por divisiones univariadas simples.

Los enfoques existentes de aprendizaje profundo (por ejemplo, DeepSurv) logran alta precisión pero carecen de interpretabilidad y a menudo dependen de la restrictiva suposición de riesgos proporcionales de Cox. Por el contrario, métodos de regresión simbólica como CoxKAN aproximan redes neuronales pero permanecen sujetos a la suposición de riesgos proporcionales y no optimizan directamente para la predicción de supervivencia.

2. Metodología

Los autores proponen y comparan estrategias para mejorar los árboles de supervivencia superficiales utilizando Programación Genética (GP), específicamente el algoritmo GP-GOMEA multiobjetivo. El trabajo extiende el marco PISA (Pipeline for Interpretable Survival Analysis).

2.1 Enfoques Principales

El estudio investiga tres estrategias distintas de aprendizaje de árboles de supervivencia, todas evaluadas bajo un marco de optimización multiobjetivo (equilibrando la Puntuación Brier Integrada [IBS] y la complejidad del modelo):

1. Árbol de Supervivencia Codicioso (Greedy ST) con Características Construidas por GP (GFC):

   • GP se utiliza para evolucionar un conjunto de características no lineales (expresiones simbólicas).
   • Estas características se alimentan en un algoritmo estándar de inducción de árboles codicioso.
   • Numéricas vs. Binarias: El sistema prueba la evolución de características numéricas (donde el árbol encuentra umbrales localmente) y características binarias (donde la propia expresión de GP representa una división, por ejemplo, $x < t$).
   • Nota: En esta configuración, la construcción de características y la inducción del árbol son etapas separadas.

2. Árbol de Supervivencia Óptimo (Optimal ST) con GFC:

   • Utiliza programación dinámica para encontrar estructuras de árboles óptimas demostrablemente dadas un conjunto de características de entrada binarias.
   • Las características evolucionadas por GP están restringidas a ser binarias (incorporando tanto la transformación de la covariable como el umbral).
   • La selección de divisiones maximiza la verosimilitud parcial basada en el modelo de Riesgos Proporcionales de Cox.

3. Árbol de Supervivencia Evolutivo (Evolutionary ST):

   • Un enfoque novedoso donde toda la estructura del árbol de supervivencia y la lógica de división evolucionan conjuntamente dentro de una única población de GP.
   • Representación: Utiliza una representación multiárbol donde cada árbol de GP corresponde a un nodo específico en el árbol de supervivencia (asignado en orden de anchura).
   • Restricciones: Cada árbol de GP está restringido a emitir una decisión binaria (capturando la característica y el umbral simultáneamente).
   • Mejoras: Los autores introducen el intercambio de árboles GP (variando el orden de los árboles en el genotipo) y una estrategia única de inicialización de estratificación de pacientes para asegurar la diversidad en la población inicial y evitar individuos redundantes.

2.2 Aptitud y Evaluación

• Objetivos: Minimizar la Puntuación Brier Integrada (IBS) y minimizar la complejidad (tamaño) de las características/árbol.
• Cálculo de Complejidad:
  • Para enfoques GFC: La suma de los tamaños de las características únicas utilizadas. Las características reutilizadas se cuentan una sola vez.
  • Para Árbol de Supervivencia Evolutivo: Cada reutilización de una característica se cuenta individualmente, ya que la estructura del árbol en sí misma es parte de la optimización.
• Conjuntos de Datos:
  • Problema XOR Sintético: Diseñado para probar la capacidad de capturar interacciones no lineales donde las divisiones paralelas a los ejes fallan.
  • GBSG: Datos de supervivencia de cáncer de mama con ganglios positivos (validación interna y externa).
  • METABRIC: Datos de taxonomía molecular del cáncer de mama (validación interna y externa).
• Líneas Base: Comparado contra DeepSurv, CoxKAN, Bosque Aleatorio de Supervivencia (RSF) y estimadores estándar de Kaplan-Meier.

3. Hallazgos Clave

3.1 Datos Sintéticos (Problema XOR)

• Los árboles codiciosos estándar con características originales no lograron modelar la verdad fundamental.
• Los árboles codiciosos con características numéricas correctas preproporcionadas aún fallaron porque el algoritmo codicioso seleccionó divisiones raíz subóptimas basadas en la ganancia inmediata.
• Condición de Éxito: La verdad fundamental solo se recuperó cuando al árbol codicioso se le proporcionaron los indicadores binarios correctos (el resultado de la interacción no lineal) o al utilizar Árbol Óptimo ST o Árbol Evolutivo ST.
• Esto demuestra que para interacciones complejas, o bien las características deben preconstruirse para incluir la lógica de interacción, o la inducción del árbol debe ser no codiciosa.

3.2 Puntos de Referencia Clínicos (GBSG y METABRIC)

• Rendimiento: Los árboles de supervivencia que utilizan características evolucionadas (GFC) superaron significativamente a las líneas base que utilizan características originales.
  • Árboles de Profundidad 3: Los árboles ST codiciosos mejorados con GFC y los árboles ST evolutivos lograron puntuaciones de índice C comparables a DeepSurv y CoxKAN de última generación, sin depender de la suposición de riesgos proporcionales.
  • Árbol Óptimo ST: Rindió bien pero fue computacionalmente más costoso que el Árbol Evolutivo ST en algunas configuraciones.
• Construcción de Características:
  • Sorprendentemente, para datos clínicos, los árboles ST codiciosos GFC que utilizan solo operadores numéricos rindieron al mismo nivel que aquellos que utilizan operadores binarios. Esto sugiere que para estos conjuntos de datos específicos, las interacciones binarias complejas no eran estrictamente necesarias para un alto rendimiento, a diferencia del caso sintético XOR.
  • Las características numéricas permitieron que el algoritmo codicioso buscara localmente umbrales óptimos, proporcionando más poder expresivo que forzar divisiones binarias en la etapa de GP.
• Ventajas del Árbol Evolutivo ST:
  • Eficiencia Computacional: El Árbol Evolutivo ST fue el más rápido en entrenar (45 minutos para profundidad 3 en un núcleo) en comparación con GFC-Codicioso (19 horas) porque evita el procedimiento de construcción de árboles exógeno.
  • Optimización Global: Indujo con éxito divisiones localmente subóptimas que contribuyeron a una estructura de árbol globalmente óptima, una capacidad que carecen los enfoques codiciosos.
  • Interpretabilidad: Produjo múltiples árboles superficiales e inspeccionables con buen rendimiento.

4. Contribuciones y Significado

El artículo afirma las siguientes contribuciones y significados:

1. Validación de la Construcción de Características Multiobjetivo: El estudio demuestra que la construcción de características multiobjetivo es la clave para hacer que los árboles de supervivencia superficiales sean potentes. Permite la generación de una frontera de Pareto de modelos, dando a los clínicos la opción entre complejidad y precisión.
2. Nuevo Árbol de Supervivencia Evolutivo: La introducción del Árbol Evolutivo ST, que optimiza conjuntamente la estructura del árbol y la lógica de división, se presenta como el enfoque con "más promesa". Combina los beneficios de la optimización no codiciosa con la interpretabilidad de los árboles superficiales.
3. Rendimiento Competitivo sin Riesgos Proporcionales: Los métodos propuestos logran un rendimiento predictivo comparable a las líneas base de aprendizaje profundo (DeepSurv, CoxKAN) en conjuntos de datos clínicos del mundo real, pero sin la restrictiva suposición de riesgos proporcionales y con total transparencia del modelo.
4. Interpretabilidad Práctica: Al mantener los árboles superficiales (profundidad 2 o 3) y utilizar características simbólicas, los modelos resultantes son "inherentemente inspeccionables", permitiendo a los clínicos rastrear las predicciones hasta características específicas del paciente y factores de riesgo.

5. Limitaciones y Direcciones Futuras

Los autores notan modestamente las limitaciones actuales:

• Restricción de Características Binarias: El Árbol Evolutivo ST actualmente requiere evolucionar características binarias (covariable + umbral combinados). Los autores sugieren que una representación modular que permita la reutilización de características numéricas con umbrales optimizados podría ofrecer más flexibilidad sin aumentar la complejidad del espacio de búsqueda.
• Asignación de Recursos: El estudio utilizó hiperparámetros uniformes (tamaño de población, generaciones) en todos los métodos. Dado que el Árbol Evolutivo ST resuelve un problema más complejo, el trabajo futuro debería investigar si asignar más recursos computacionales a este método mejoraría aún más el rendimiento.

En conclusión, el artículo argumenta que, aunque la construcción de características mejora los árboles codiciosos, la evolución conjunta de toda la estructura del árbol ofrece el mayor potencial para crear modelos de supervivencia precisos, interpretables y superficiales.