Neural Networks for net survival estimation and prediction

Résumé technique : Réseaux de neurones pour l'estimation et la prédiction de la survie nette

Énoncé du problème
La survie nette est une métrique critique en oncologie, représentant la probabilité de survie dans un monde contrefactuel où le cancer est la seule cause possible de décès. Cette métrique permet de comparer la mortalité liée au cancer entre des populations présentant des espérances de vie différentes. Bien que les estimateurs non paramétriques comme l'estimateur de Pohar-Perme (PP) soient sans biais, ils sont limités aux analyses stratifiées, nécessitant de grands échantillons pour maintenir la puissance statistique lors de l'ajustement pour plusieurs covariables. À l'inverse, les régressions de l'excès de risque paramétriques et semi-paramétriques (par exemple, les modèles basés sur les splines) offrent une certaine flexibilité mais reposent sur des hypothèses telles que la proportionnalité des risques (PH) et la log-linéarité. Les violations de ces hypothèses, ou l'omission d'interactions importantes, peuvent conduire à une spécification erronée du modèle et à des estimations biaisées. La pratique actuelle implique souvent des stratifications complexes pour éviter ces violations, ce qui réduit la taille effective de l'échantillon pour chaque analyse.

Méthodologie
Les auteurs proposent une approche d'apprentissage automatique basée sur le Réseau de Neurones Artificiels Logistique Partiel (PLANN), initialement développé pour la prédiction de la survie globale, adapté ici pour l'estimation et la prédiction de la survie nette.

• Adaptation de PLANN : La méthode discrétise le temps en intervalles $\tau_l$. Elle modélise la probabilité conditionnelle de décès dans un intervalle étant donné la survie jusqu'à l'intervalle précédent à l'aide d'un réseau de neurones à une couche cachée et d'une fonction d'activation logistique. Les entrées du réseau comprennent les intervalles de temps et les variables explicatives ($Z_i$).
• Décomposition de l'excès de risque : Le modèle estime la survie globale ($\hat{S}_{oi}$) et en déduit le risque global. L'excès de risque individuel ($\hat{\lambda}_{ei}$) est calculé en soustrayant le risque de la population (dérivé des tables de mortalité basées sur l'âge, le sexe et la période) du risque global estimé.
• Calcul de la survie nette : La survie nette individuelle est calculée en intégrant l'excès de risque. La survie nette marginale est ensuite dérivée en pondérant les estimations individuelles.
• Cadre comparatif : L'étude compare PLANN à :
  1. L'estimateur non paramétrique PP : La norme de référence.
  2. Les régressions d'excès de risque basées sur les splines : Modèles à risques proportionnels (PH) et non proportionnels (NPH) utilisant des splines cubiques restreintes (RCS).
• Stratégie de validation : La performance a été évaluée par des simulations approfondies (variant la taille des échantillons, les hypothèses PH/NPH et les interactions) et une application en conditions réelles sur une cohorte de cancer colorectal en Slovénie. Les métriques incluent le biais, l'erreur quadratique moyenne (RMSE), la log-vraisemblance et l'aire sous la courbe ROC nette (AUC). Les hyperparamètres de PLANN (nœuds cachés, décroissance, intervalles de temps) ont été optimisés via une validation croisée à 10 plis.

Contributions clés

1. Adaptation algorithmique : L'adaptation réussie de PLANN pour la survie nette, permettant l'estimation des excès de risque sans hypothèses paramétriques strictes concernant la proportionnalité des risques ou la linéarité.
2. Développement de logiciel : L'introduction du package R survivalPLANN, qui facilite l'entraînement de l'algorithme, la validation croisée et la prédiction de la survie globale et nette.
3. Évaluation exhaustive : Une comparaison rigoureuse démontrant que les réseaux de neurones peuvent capturer des structures de données complexes (risques non proportionnels et interactions) que les modèles traditionnels basés sur les splines pourraient manquer s'ils ne sont pas explicitement spécifiés.

Résultats

• Biais et précision : Dans les études de simulation, PLANN a produit un faible biais comparable à la fois à l'estimateur PP et aux modèles flexibles basés sur les splines, même sous des scénarios de risques non proportionnels et d'interactions complexes où les modèles PH standards ont échoué de manière significative.
• Variance et RMSE : Un constat constant dans les simulations et l'application réelle est que PLANN présente des valeurs de RMSE légèrement plus élevées par rapport aux méthodes basées sur les splines. Cela indique une variance plus élevée dans les estimations du réseau de neurones.
• Sensibilité à la taille de l'échantillon : Le problème de variance a été exacerbé dans les petits échantillons (ex: $n=500$). Alors que les modèles basés sur les splines maintenaient des performances relativement stables avec des données réduites, PLANN a montré une augmentation plus rapide de la RMSE et des signes de surapprentissage (AUC d'entraînement plus élevé que l'AUC de validation) dans les cohortes plus petites.
• Application en conditions réelles : Dans l'analyse de 5 971 patients slovènes atteints de cancer colorectal, les prédictions de PLANN correspondaient étroitement à l'estimateur PP et étaient souvent plus proches de la référence que les modèles basés sur les splines, particulièrement dans les sous-groupes. Cependant, les prédictions de PLANN présentaient des intervalles de confiance plus larges.
• Discrimination : Dans l'application réelle, PLANN a démontré une capacité de discrimination (AUC) plus faible par rapport aux modèles basés sur les splines, un contraste avec les résultats de simulation où les AUC étaient généralement comparables.

Signification et affirmations
L'article affirme que PLANN représente une alternative flexible pour l'estimation de la survie nette, particulièrement précieuse lorsque la structure des données est complexe (impliquant des risques non proportionnels ou des interactions) et lorsqu'il s'agit d'éviter la perte de puissance associée aux analyses stratifiées. Les auteurs soulignent que la capacité de la méthode à lever les hypothèses de proportionnalité des risques et de log-linéarité est son principal avantage.

Cependant, les auteurs maintiennent une position modeste quant aux limites de la méthode. Ils déclarent explicitement que la variance plus élevée des estimations basées sur l'apprentissage automatique peut limiter son utilité dans les études avec des tailles d'échantillons réduites par rapport aux approches traditionnelles basées sur les modèles. L'article conclut que bien que PLANN soit efficace pour l'estimation et la prédiction, son application doit être pesée par rapport aux contraintes de taille d'échantillon, et qu'il est particulièrement adapté aux cohortes à haute définition avec des données multimodales où des interactions complexes sont attendues mais difficiles à modéliser de manière paramétrique. Les auteurs ne prétendent pas que PLANN supplante les méthodes existantes dans tous les contextes, mais qu'il offre plutôt un outil complémentaire pour les scénarios où la spécification erronée du modèle est une préoccupation majeure.