📊 statistics

ShrinkageTrees: An R Package for Bayesian Tree Ensembles for Survival Analysis and Causal Inference

L'article présente ShrinkageTrees, un package R qui implémente des modèles d'arbres de régression additifs bayésiens avec des stratégies de régularisation avancées, incluant la nouvelle Forêt de Cheval de Marée (Horseshoe Forest), afin de permettre une analyse de survie et une inférence causale robustes dans des contextes de haute dimensionnalité.

Auteurs originaux : Tijn Jacobs

Publié 2026-06-11

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Tijn Jacobs

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un médecin essayant de prédire combien de temps un patient vivra après un diagnostic, ou peut-être essayant de déterminer si un nouveau médicament est réellement plus efficace qu'un ancien. Vous avez beaucoup de données : l'âge, la tension artérielle et peut-être des milliers de lectures génétiques. C'est un puzzle complexe et désordonné, surtout quand certains patients quittent l'étude avant la fin (on ne sait donc pas exactement quand ils sont décédés) ou quand on sait seulement qu'un événement s'est produit « quelque part entre le mois dernier et ce mois-ci ».

Ce document présente un nouvel outil appelé ShrinkageTrees. Considérez cela comme une équipe de détectives super intelligents et hautement disciplinés (un « ensemble d'arbres ») conçue spécifiquement pour résoudre ces énigmes médicales.

Voici comment cela fonctionne, décomposé en concepts simples :

1. L'équipe de détectives (Les Arbres)

Imaginez que vous ne demandiez pas l'avis d'un seul expert, mais que vous en demandiez cent. Chaque expert est un « arbre de décision ».

Leur fonctionnement : Chaque arbre pose des questions simples par oui ou par non comme : « Le patient a-t-il plus de 50 ans ? » ou « Le gène X est-il élevé ? ». Sur la base de ces réponses, l'arbre fait une petite estimation du résultat.
L'effort d'équipe : La prédiction finale est la somme de toutes ces petites estimations. Comme il y a tellement d'arbres, ils peuvent détecter des schémas complexes qu'un seul expert manquerait.

2. Le problème : Trop d'indices, trop peu de suspects

Dans la médecine moderne, on a souvent des milliers d'indices (des gènes) mais très peu de patients à étudier.

L'ancienne méthode : Si vous laissez l'équipe de détectives agir sans contrôle, ils pourraient être distraits par le bruit aléatoire. Ils pourraient commencer à inventer des règles basées sur des coïncidences (par exemple : « Les patients qui aiment les chaussettes bleues vivent plus longtemps ») juste pour correspondre parfaitement aux données. C'est ce qu'on appelle le « surapprentissage » (overfitting). Cela semble excellent sur le papier, mais échoue dans le monde réel.
La solution de la contraction (Shrinkage) : Les auteurs ont ajouté un « disciplinaire » à l'équipe. C'est la partie Shrinkage (contraction). Elle agit comme un éditeur strict qui dit : « Si une règle n'est pas fortement soutenue par les preuves, nous la réduisons à zéro. »
- La métaphore du fer à cheval : Le document met en avant un type spécifique de contraction appelé le « Fer à cheval » (Horseshoe). Imaginez un aimant en forme de fer à cheval. Il possède une attraction très forte au milieu (réduisant les indices faibles et inutiles à zéro) mais une courbe large et ouverte aux extrémités (laissant passer les indices forts et importants sans les toucher). Cela garantit que le modèle ignore le bruit mais garde les signaux réels clairs et percutants.

3. Gérer les indices manquants ou vagues (Censure)

Dans les études de survie, les données sont souvent incomplètes.

Censure à droite : Un patient est toujours en vie à la fin de l'étude. Nous savons qu'il a survécu au moins aussi longtemps, mais pas exactement quand il décédera.
Censure par intervalle : Nous savons seulement qu'un patient est décédé entre son dernier contrôle et le suivant.
L'innovation : La plupart des outils existants ont du mal avec ces chronologies vagues. ShrinkageTrees est conçu pour gérer ces chronologies « floues » naturellement, en comblant les lacunes mathématiquement sans perdre en précision.

4. Le détective à deux têtes (Inférence causale)

Parfois, vous voulez savoir non seulement ce qui va arriver, mais aussi pourquoi cela est arrivé. Le patient a-t-il survécu grâce au médicament, ou simplement parce qu'il était plus jeune ?

L'ancienne méthode : Les outils standards essaient de deviner le résultat et l'effet du traitement en même temps, ce qui peut devenir confus.
La nouvelle méthode (le $\tau$ -learner) : ShrinkageTrees divise le travail entre deux détectives spécialisés :
1. Le détective pronostique : Prédit comment le patient se comporterait indépendamment du traitement (basé sur son âge, ses gènes, etc.).
2. Le détective de traitement : Prédit l'effet supplémentaire que le médicament produit.
  En séparant ces deux aspects, le modèle peut vous dire exactement comment le médicament a aidé, même si la santé sous-jacente du patient était très différente de celle des autres.

5. Ce que le document prouve réellement

Les auteurs ont testé cet outil sur deux points principaux :

Données réelles : Ils ont utilisé un ensemble de données de patientes atteintes d'un cancer de l'ovaire avec 1 000 lectures génétiques. Ils ont montré que, tandis que les méthodes plus anciennes devenaient « trop confiantes » (s'ajustant au bruit), la méthode ShrinkageTrees était plus réaliste et fournissait de meilleures estimations d'incertitude.
Données simulées : Ils ont créé des données fictives où ils connaissaient la « vérité ». Ils ont testé l'outil lorsqu'ils avaient un nombre énorme de gènes (5 000 gènes) mais un petit nombre de patients. La méthode ShrinkageTrees (spécifiquement la version Horseshoe) était la seule à rester précise et à ne pas être déroutée par la masse de données.

Résumé

ShrinkageTrees est un nouveau progiciel qui aide les chercheurs à analyser les données de survie (temps avant un événement) et les questions causales (le traitement a-t-il fonctionné ?). Il utilise une équipe d'arbres de décision mais ajoute un filtre de « contraction » spécial pour ignorer les données inutiles et se concentrer sur ce qui compte vraiment. C'est le premier outil de ce type capable de gérer les chronologies vagues (censure par intervalle) et de séparer les effets de traitement des caractéristiques des patients dans des contextes de haute dimensionnalité (où vous avez plus de variables que de patients).

Le document affirme que cet outil est plus rapide, plus précis dans les scénarios à enjeux élevés et offre une image plus claire de l'incertitude que les méthodes précédentes.

Résumé technique de « ShrinkageTrees : un package R pour les ensembles d'arbres bayésiens pour l'analyse de survie et l'inférence causale »

Énoncé du problème
L'analyse de survie dans des contextes de haute dimension ( $p \gg n$ ) fait face à trois défis principaux : (1) la relation complexe et inconnue entre les covariables et les résultats de temps de survie, nécessitant des modèles non paramétriques flexibles ; (2) la prévalence d'observations imprécises, spécifiquement les données censurées à droite et censurées par intervalle ; et (3) la difficulté d'estimer les effets de traitement causaux sous censure et confusion, particulièrement lorsque les effets de traitement varient selon les sous-groupes. Les implémentations existantes de Bayesian Additive Regression Trees (BART) ne parviennent pas à traiter ces trois aspects simultanément. Plus précisément, aucun package R ne propose actuellement des ensembles d'arbres bayésiens pour les résultats censurés par intervalle, l'architecture du $\tau$ -learner (qui sépare les effets pronostiques et de traitement) n'a pas été implémentée pour les variables de temps de survie, et la régularisation standard de BART est souvent inadéquate pour les contextes génomiques de haute dimension où le risque de surapprentissage est élevé.

Méthodologie
Le papier présente ShrinkageTrees, un package R implémentant des ensembles d'arbres bayésiens dans un cadre de modèle à temps de défaillance accéléré (AFT - Accelerated Failure Time). Le modèle central étend la formulation standard de BART :
$\log T_i = \sum_{j=1}^m g(x_i; T_j, H_j) + \epsilon_i, \quad \epsilon_i \sim N(0, \sigma^2)$
où $T_i$ est le temps de l'événement, $x_i$ sont les covariables, et la somme représente un ensemble de $m$ arbres de décision peu profonds. Le package gère les données censurées à droite et par intervalle via l'augmentation de données dans un échantillonneur de Gibbs.

La méthodologie distingue deux types de régularisation, qui sont toutes deux implémentées et combinables :

Régularisation de la structure de l'arbre : Pour encourager la division sur un sous-ensemble de variables pertinentes, le package implémente la prior de division de Dirichlet (DART). Celle-ci place une loi de Dirichlet sur les probabilités de division, induisant une parcimonie structurelle.
Régularisation de la hauteur des marches : Pour contracter les feuilles non informatives vers zéro tout en préservant les signaux forts, le package implémente des priors de contraction globale-locale sur les valeurs des feuilles ( $H_j$ ). Le papier met en avant la Forêt de Horseshoe (Horseshoe Forest), qui place une loi de horseshoe sur les hauteurs de marches. Cela utilise une représentation de mélange de normales avec un paramètre de contraction globale ( $\tau$ ) et des paramètres d'échelle locaux ( $\lambda_\ell$ ). La loi de horseshoe permet une contraction adaptative, gérant efficacement le régime $p \gg n$ .

Pour l'inférence causale, le package implémente le $\tau$ -learner (Bayesian Causal Forests) adapté aux résultats de survie. Ce dernier décompose le résultat en une fonction pronostique $\mu(x, \hat{e}(x))$ et une fonction d'effet de traitement $\tau(x)$ , modélisées par des forêts distinctes. Cela permet une régularisation et un contrôle de la complexité distincts pour les composantes pronostiques et causales.

Contributions clés

Première implémentation des Forêts de Horseshoe pour la survie : Le package fournit la première implémentation de la Forêt de Horseshoe, plaçant une loi de horseshoe sur les hauteurs de marches pour permettre l'analyse de survie en haute dimension.
Support pour la censure par intervalle : Il s'agit du premier package R fournissant des ensembles d'arbres bayésiens pour les résultats de survie censurés par intervalle.
Inférence causale pour la survie : Il implémente le $\tau$ -learner pour les variables de temps de survie, permettant l'estimation des effets de traitement hétérogènes (CATE) et des effets moyens de traitement (ATE) dans des contextes de survie.
Régularisation flexible : Il offre un cadre modulaire où les utilisateurs peuvent combiner la régularisation structurelle (division de Dirichlet) avec la régularisation de la hauteur de marche (Horseshoe, Half-Cauchy ou Normale standard).
Implémentation logicielle : Le package dispose d'un backend C++ efficace via Rcpp, supporte l'échantillonnage MCMC multi-chaînes, et fournit un flux de travail S3 complet (ajustement, prédiction, diagnostics de convergence via coda et visualisation).

Résultats
Le papier valide la méthodologie à travers un jeu de données semi-synthétique sur le cancer de l'ovaire et une étude de simulation :

Données sur l'ovaire : Dans un contexte de haute dimension ( $n=357, p=1004$ ), le BART standard a obtenu un C-index d'entraînement quasi parfait (0,989), indiquant un surapprentissage. En revanche, la Forêt de Horseshoe a produit un C-index d'entraînement plus faible (0,727) mais a fourni une incertitude mieux calibrée. L'analyse causale a estimé un effet de traitement moyen faible et non significatif pour le carboplatine versus le cisplatine, avec des intervalles de crédibilité serrés.
Étude de simulation : Une simulation avec une vérité terrain connue et des résultats censurés par intervalle a comparé le BART Standard, DART et les Forêts de Horseshoe à travers des dimensions $p \in \{50, 500, 5000\}$ . La Forêt de Horseshoe a systématiquement obtenu l'erreur quadratique moyenne (RMSE) la plus faible, les intervalles de crédibilité les plus serrés et des taux de couverture proches du nominal de 95 % à travers toutes les dimensions. Le BART standard a produit des intervalles excessivement larges (sur-couverture), tandis que DART a sous-couvert à mesure que la dimensionnalité augmentait.
Performance computationnelle : Les tests de performance montrent que, bien que les Forêts de Horseshoe soient plus coûteuses en calcul que les modèles à prior conjugué (en raison du MCMC à saut réversible et de l'échantillonnage des échelles locales), elles passent à l'échelle linéairement avec la taille de l'échantillon et sont comparables en vitesse aux implémentations BART existantes pour les modèles conjugués.

Signification et affirmations
Le papier affirme que ShrinkageTrees comble des lacunes critiques dans la littérature existante sur les ensembles d'arbres bayésiens en unifiant l'analyse de survie, l'inférence causale et la régularisation de haute dimension. Il positionne le package comme un outil qui étend les ensembles d'arbres bayésiens aux contextes de haute dimension là où le BART standard échoue à s'adapter. Les auteurs soulignent que le package est le premier à proposer le $\tau$ -learner pour les variables de temps de survie et le premier à implémenter les Forêts de Horseshoe à cette fin. Le travail est présenté comme une implémentation pratique de la méthodologie développée par Jacobs et al. (2025), visant à la fois les praticiens nouveaux dans les ensembles d'arbres bayésiens et les utilisateurs expérimentés nécessitant des fonctionnalités non disponibles dans les packages existants comme BART, dbarts ou bcf. Les auteurs notent modestement des limitations, telles que l'exigence de covariables numériques (nécessitant un codage dummy pour les catégories non ordonnées) et l'hypothèse de distribution normale des erreurs dans le cadre AFT.