📊 statistics

Extending Deep Cox Survival Models with Case-Cohort risk set Sampling

Este artículo introduce y evalúa la primera integración del muestreo de riesgo de caso-cohorte en redes neuronales de Cox de riesgos proporcionales profundos, demostrando que, si bien el muestreo de casos y controles anidados aproxima consistentemente el rendimiento del conjunto de riesgo completo, el entrenamiento por mini-lotes permite que el muestreo de caso-cohorte logre una precisión comparable con ahorros computacionales sustanciales.

Autores originales: Justine Nasejje, Michael P. Falk, Marvin N. Wright, Wende Clarence Safari, Pierre-Philippe Dechant, Raeesa Manjoo Docrat, Rukia Nuermaimaiti

Publicado 2026-09-17

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Justine Nasejje, Michael P. Falk, Marvin N. Wright, Wende Clarence Safari, Pierre-Philippe Dechant, Raeesa Manjoo Docrat, Rukia Nuermaimaiti

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la investigación médica y la ingeniería, predecir cuándo sucederá algo suele ser más valioso que saber exactamente cuándo ocurrirá. Ya sea que una pieza de una máquina falle o que un paciente sobreviva a una enfermedad, los científicos utilizan un método llamado análisis de supervivencia para estudiar el tiempo hasta que ocurre un evento. Un desafío importante en este campo es que los estudios suelen terminar antes de que todos los sujetos experimenten el evento; algunas personas siguen vivas cuando el estudio cierra, o una máquina sigue funcionando. Esto se conoce como datos censurados por la derecha, y requiere herramientas estadísticas especiales para manejar la información incompleta sin desechar los valiosos datos que sí existen. Durante décadas, la herramienta estándar para esto ha sido un modelo que calcula el riesgo basándose en un grupo de personas que están en riesgo en cualquier momento dado, conocido como el conjunto de riesgo.

A medida que los datos han explotado en tamaño, con estudios modernos que rastrean a miles de pacientes y millones de puntos de datos, estos cálculos tradicionales se han convertido en un cuello de botella. Para procesar los datos, una computadora debe observar a cada una de las personas que aún están en el estudio cada vez que ocurre un evento, un proceso que demanda una potencia de cómputo y memoria inmensas. Esto crea una barrera para el uso de técnicas de inteligencia artificial modernas y potentes, las cuales prosperan con grandes conjuntos de datos pero luchan cuando se ven obligadas a realizar estos cálculos pesados y repetitivos. Los investigadores se preguntan ahora cómo mantener la precisión de estos modelos avanzados mientras los hacen lo suficientemente rápidos como para ejecutarse en los masivos conjuntos de datos del siglo veintiuno.

Un equipo de investigadores de universidades de Sudáfrica, Alemania y el Reino Unido ha abordado este problema probando una nueva forma de entrenar redes neuronales profundas, un tipo de inteligencia artificial diseñada para encontrar patrones complejos en los datos. Su objetivo era ver si podían acelerar el proceso de entrenamiento al no mirar a todas las personas del estudio a la vez, sino al observar una muestra cuidadosamente seleccionada. Compararon dos estrategias de muestreo diferentes: una que elige a unas pocas personas nuevas para comparar contra cada evento cada vez, y otra que elige un grupo fijo de personas al principio del estudio y se mantiene con ellos. Probaron estos métodos tanto con datos generados por computadora, donde se conoce la respuesta verdadera, como con un conjunto de datos del mundo real de pacientes con cáncer de mama, midiendo qué tan bien los modelos predecían la supervivencia y cuánto requerían de memoria y tiempo computacional.

Los investigadores descubrieron que el método que elige un grupo fresco de personas para cada evento, conocido como muestreo de casos y controles anidados, funciona casi perfectamente. Independientemente de si utilizaron el conjunto de datos completo o solo una pequeña muestra, este enfoque produjo predicciones casi idénticas al método lento y pesado que observa a todos. El modelo aprendió los patrones correctos, y las predicciones fueron tan precisas como las del enfoque estándar, pero lo hizo sin el costo computacional masivo. Esto sugiere que, para muchos problemas de gran escala, los investigadores pueden usar con seguridad este truco de muestreo para hacer que sus modelos funcionen mucho más rápido sin perder poder predictivo.

El segundo método, llamado muestreo de caso-cohorte, se comportó de manera diferente y reveló una historia más compleja. Cuando los investigadores utilizaron un grupo fijo muy pequeño de personas para representar a todo el estudio, el modelo tuvo dificultades significativas. En las pruebas con un grupo diminuto, la capacidad del modelo para distinguir entre pacientes de alto y bajo riesgo cayó drásticamente, y las predicciones se volvieron poco fiables. Sin embargo, los investigadores descubrieron que la forma en que la computadora procesa los datos lo cambia todo. Cuando cambiaron de procesar todo el conjunto de datos a la vez a procesarlo en pequeños y rápidos lotes (batches), el rendimiento del grupo fijo pequeño mejoró drásticamente. Con este estilo de procesamiento más rápido, incluso un grupo pequeño de personas pudo ayudar al modelo a aprender eficazmente, recuperando la mayor parte de su precisión mientras seguía ahorrando una gran cantidad de recursos computacionales.

El estudio también analizó cómo estos métodos afectan a la computadora en sí. La forma tradicional de procesar todos los datos a la vez requiere una cantidad masiva de memoria, que a menudo alcanza los seis gigabytes o más, lo que puede colapsar las computadoras estándar. Al cambiar al enfoque de lotes, el uso de memoria cayó a menos de medio gigabyte, haciendo que estos modelos avanzados sean accesibles en máquinas mucho más pequeñas. Los investigadores observaron que, mientras el método del grupo fijo pequeño era inestable cuando la computadora lo veía todo a la vez, el enfoque de lotes suavizaba los errores, permitiendo que el modelo aprendiera de manera constante. Este intercambio entre el tamaño de la muestra y la forma en que se procesan los datos ofrece un nuevo conjunto de herramientas para los científicos: pueden elegir usar un método que sea siempre robusto, o pueden usar un método más pequeño y rápido si están dispuestos a ajustar cómo la computadora maneja los datos.

En última instancia, este trabajo cierra la brecha entre la estadística clásica y la inteligencia artificial moderna. Demuestra que el trabajo pesado requerido para analizar datos de supervivencia no tiene por qué ser realizado mirando a cada una de las personas del estudio en cada momento dado. Al utilizar técnicas de muestreo inteligentes, particularmente cuando se combinan con métodos de entrenamiento modernos, los investigadores pueden construir modelos potentes que sean tanto precisos como eficientes. Los hallazgos sugieren que, para el futuro del análisis de supervivencia, la clave no es solo tener más datos, sino saber cómo mirarlos de una manera que respete los límites de nuestras computadoras mientras preserva la verdad oculta dentro de los números.

Resumen Técnico: Extensión de los Modelos de Cox Profundos con Muestreo de Conjunto de Riesgo de Caso-Cohorte

Planteamiento del Problema
Las redes neuronales profundas (DNN) han demostrado un rendimiento predictivo superior en el análisis de supervivencia cuando se entrenan utilizando la verosimilitud parcial de Cox. Sin embargo, existe un cuello de botella significativo para escalar estos modelos a grandes conjuntos de datos: evaluar el conjunto de riesgo completo en cada tiempo de evento observado incurre en costos computacionales y de memoria sustanciales. Esta limitación restringe la escalabilidad de los modelos de Cox profundos. Si bien se han adaptado técnicas de muestreo de conjuntos de riesgo, como el de Casos Anidados (NCC), para las redes neuronales para mitigar esto, la integración del muestreo de Caso-Cohorte (CC) —un diseño donde se muestrea un subcohorte estático una sola vez al inicio— en los marcos de trabajo de Cox profundo sigue sin explorarse. Este estudio aborda la brecha en la literatura existente con respecto a la aplicación y evaluación del muestreo CC dentro del aprendizaje de supervivencia profundo, investigando específicamente sus compensaciones frente a NCC y los enfoques de conjunto de riesgo completo tanto en regímenes de entrenamiento de lote completo (full-batch) como de mini-lote (mini-batch).

Metodología
Los autores proponen un marco de entrenamiento para DNN basadas en Cox que incorpora el muestreo de conjunto de riesgo. El fundamento estadístico central es el modelo de riesgos proporcionales de Cox, donde la salida de la red $\eta_i = f_\theta(X_i)$ reemplaza al predictor lineal $\beta^\top X_i$ . El modelo minimiza la log-verosimilitud parcial negativa.

El estudio evalúa tres estrategias de muestreo para construir el conjunto de riesgo $R(t_j)$ en cada tiempo de evento $t_j$ :

Conjunto de Riesgo Completo: El enfoque base que utiliza a todos los individuos en riesgo ( $R(t_j) = \{i : T_i \ge t_j\}$ ).
Casos Anidados (NCC): Para cada evento, se muestrean un número fijo de controles ( $m$ ) de forma aleatoria del conjunto de riesgo actual.
Caso-Cohorte (CC): Se muestrea un subcohorte estático de tamaño $m$ una sola vez al inicio. En cada tiempo de evento, el conjunto de riesgo consiste en el caso del evento más los miembros del subcohorte que aún están en riesgo.

El marco se implementa utilizando una red neuronal de alimentación hacia adelante (feed-forward) (tres capas ocultas con activaciones ReLU, regularización por dropout) entrenada mediante el optimizador Adam. La evaluación cubre dos regímenes de entrenamiento distintos:

Lote Completo (Full-Batch): Se utiliza todo el conjunto de datos para cada actualización de gradiente.
Mini-Lote (Mini-Batch): Los datos se particionan en lotes; los conjuntos de riesgo se restringen a los individuos presentes dentro del lote actual. Para CC en mini-lotes, el conjunto de riesgo es la intersección del subcohorte fijo y el lote actual, más el caso del evento.

Los experimentos se realizaron en:

Datos Sintéticos: Generados con estructuras de riesgo latentes conocidas (ground-truth) ( $N=6,000$ ) para evaluar la recuperación del verdadero predictor lineal y la distribución de riesgo latente.
Datos del Mundo Real: El conjunto de datos de cáncer de mama METABRIC ( $N \approx 1,800$ ) para evaluar el rendimiento en datos clínicos complejos.

El rendimiento se midió mediante el Índice de Concordancia (C-index), la Puntuación de Brier Integrada (IBS), las correlaciones de Pearson y Spearman (para datos sintéticos) y la utilización de recursos computacionales (CPU y memoria).

Contribuciones Clave
Hasta donde llega el conocimiento de los autores, este estudio proporciona la primera integración y evaluación sistemática del muestreo de conjunto de riesgo de Caso-Cohorte dentro de las redes neuronales de riesgos proporcionales de Cox. Las contribuciones específicas incluyen:

Integración Novedosa: Adaptación del diseño clásico de Caso-Cohorte en las implementaciones de redes neuronales del modelo de Cox, abordando un vacío en los marcos de aprendizaje de supervivencia profundo.
Formulación de Entrenamiento: Desarrollo de una formulación de entrenamiento que incorpora el muestreo de Caso-Cohorte dentro de la optimización estocástica de lote completo y de mini-lote, permitiendo un aprendizaje escalable.
Comparación Sistemática: Provisión de la primera comparación empírica de las estrategias de conjunto de riesgo completo, NCC y CC dentro de los modelos de Cox profundos, analizando las compensaciones entre el costo computacional y la precisión predictiva.

Resultos

Entrenamiento de Lote Completo (Full-Batch):
- NCC: Aproximó consistentemente el enfoque base de conjunto de riesgo completo en todas las configuraciones. En los datos sintéticos, alcanzó valores de C-index (~0.78) casi idénticos al de la base, con correlaciones de log-riesgo cercanas a 0.99.
- CC: Mostró una alta sensibilidad al tamaño del subcohorte ( $k$ ). Un submuestreo severo ( $k=5$ ) resultó en una caída significativa del rendimiento (reducción del C-index de ~23% respecto a la base) y una recuperación deficiente de la estructura de riesgo latente. Sin embargo, aumentar el tamaño del subcohorte (por ejemplo, a 1,000 en datos sintéticos o 500 en METABRIC) mitigó el sobreajuste y recuperó el rendimiento base, aunque a costa de un mayor tiempo de entrenamiento.
Entrenamiento de Mini-Lote (Mini-Batch):
- NCC: Se mantuvo robusto, siguiendo el seguimiento de la base de riesgo completo con alta estabilidad.
- CC: La ejecución en mini-lotes redujo sustancialmente la degradación observada en el CC de lote completo. Un pequeño subcohorte ( $k=5$ ) que funcionó mal en lote completo logró un C-index de ~0.738 (solo una caída de ~5.3% respecto a la base) en mini-lotes. Aumentar el tamaño del subcohorte a 15 o más permitió que el CC recuperara puntuaciones de C-index e IBS cercanas a la base.
- Eficiencia de Recursos: El uso de mini-lotes redujo drásticamente el uso de memoria pico (de ~6 GB en lote completo a ~0.5 GB en mini-lote). Si bien aumentar el tamaño del subcohorte en mini-lotes no incrementó significamente el uso de memoria, sí aumentó el tiempo de entrenamiento de tiempo de reloj (wall-clock time).
Recuperación de la Estructura de Riesgo: En los experimentos sintéticos, NCC preservó consistentemente la estructura de riesgo latente. El CC con subcohortes pequeñas tuvo dificultades para recuperar el verdadero ranking de riesgo en lote completo, pero mostró una mejora notable en los entornos de mini-lote.

Significancia y Reivindicaciones
El artículo sostiene que el muestreo de conjuntos de riesgo puede proporcionar ahorros computacionales sustanciales en los modelos de Cox profundos sin sacrificar el rendimiento predictivo, siempre que se elija apropiadamente la estrategia de muestreo.

NCC se presenta como un método robusto que ofrece un rendimiento consistente en todas las configuraciones de muestreo.
CC en Mini-Lote se identifica como una alternativa efectiva cuando se elige apropiadamente el tamaño del subcohorte, ofreciendo un equilibrio entre eficiencia computacional y exactitud estadística.
El estudio destaca que el muestreo CC es particularmente valioso cuando los datos subyacentes surgen naturalmente de un diseño de estudio de caso-cohorte, ofreciendo una estrategia analítica natural para tales datos.
Los hallazgos sugieren que, si bien el CC de lote completo requiere subcohortes grandes para evitar la degradación del rendimiento, la naturaleza estocástica del entrenamiento de mini-lotes permite que el CC sintetice la dinámica de riesgo global a partir de muchas menos muestras, logrando la capacidad predictiva total a una fracción del costo computacional.

Los autores concluyen que su marco extiende la verosimilitud parcial clásica de Cox al aprendizaje moderno a gran escala, recuperando formulaciones exactas en entornos de lote completo mientras integra diseños de muestreo eficientes para un entrenamiento escalable.

Más como este