Neural Networks for net survival estimation and prediction

तकनीकी सारांश: नेट उत्तरजीविता अनुमान और भविष्यवाणी के लिए न्यूरल नेटवर्क

समस्या विवरण
नेट उत्तरजीविता (Net survival) ऑन्कोलॉजी में एक महत्वपूर्ण मीट्रिक है, जो एक काल्पनिक दुनिया में जीवित रहने की संभावना को दर्शाता है जहाँ कैंसर मृत्यु का एकमात्र संभावित कारण है। यह मीट्रिक विभिन्न जीवन प्रत्याशाओं वाली आबादी के बीच कैंसर संबंधी मृत्यु दर की तुलना करने की अनुमति देता है। जबकि पोहार-परमे (Pohar-Perme - PP) जैसे गैर-पैरामीट्रिक एस्टिमेटर्स निष्पक्ष (unbiased) होते हैं, वे स्तरीकृत विश्लेषणों (stratified analyses) तक सीमित हैं, जिन्हें कई सह-चरों (covariates) को समायोजित करने के लिए बड़े नमूना आकार की आवश्यकता होती है ताकि सांख्यिकीय शक्ति बनी रहे। इसके विपरीत, पैरामीट्रिक और अर्ध-पैरामीट्रिक अतिरिक्त जोखिम प्रतिगमन (excess hazard regressions) (जैसे कि स्प्लाइन-आधारित मॉडल) लचीलापन प्रदान करते हैं, लेकिन वे समानुपाती जोखिम (proportional hazards - PH) और लॉग-रैखिकता (log-linearity) जैसे अनुमानों पर निर्भर करते हैं। इन धारणाओं का उल्लंघन, या महत्वपूर्ण अंतःक्रियाओं (interactions) का छूटना, मॉडल मिसस्पेसिफिकेशन और पक्षपाती अनुमानों का कारण बन सकता है। वर्तमान अभ्यास में अक्सर इन उल्लंघनों से बचने के लिए जटिल स्तरीकरण शामिल होता है, जिससे प्रत्येक विश्लेषण के लिए प्रभावी नमूना आकार कम हो जाता है।

कार्यप्रणाली
लेखक एक मशीन लर्निंग दृष्टिकोण प्रस्तावित करते हैं जो 'पार्शियल लॉजिस्टिक आर्टिफिशियल न्यूरल नेटवर्क' (PLANN) पर आधारित है, जिसे मूल रूप से समग्र उत्तरजीविता भविष्यवाणी के लिए विकसित किया गया था, और इसे यहाँ नेट उत्तरजीविता अनुमान और भविष्यवाणी के लिए अनुकूलित किया गया है।

• PLANN अनुकूलन: यह विधि समय को अंतराल $\tau_l$ में विभाजित करती है। यह पिछले अंतराल तक जीवित रहने की स्थिति में एक अंतराल के भीतर मृत्यु की सशर्त संभावना को एक छिपी हुई परत (one hidden layer) और एक लॉजिस्टिक एक्टिवेशन फंक्शन वाले न्यूरल नेटवर्क का उपयोग करके मॉडल करती है। नेटवर्क के इनपुट में समय अंतराल और व्याख्यात्मक चर ($Z_i$) शामिल हैं।
• अतिरिक्त जोखिम अपघटन (Excess Hazard Decomposition): मॉडल समग्र उत्तरजीविता ($\hat{S}_{oi}$) का अनुमान लगाता है और समग्र जोखिम (overall hazard) प्राप्त करता है। व्यक्तिगत अतिरिक्त जोखिम ($\hat{\lambda}_{ei}$) की गणना समग्र अनुमानित जोखिम (जो आयु, लिंग और अवधि के आधार पर लाइफ टेबल्स से प्राप्त होता है) को घटाकर की जाती है।
• नेट उत्तरजीविता गणना: व्यक्तिगत अतिरिक्त जोखिम का एकीकरण करके व्यक्तिगत नेट उत्तरजीविता की गणना की जाती है। मार्जिनल नेट उत्तरिवता को अनुमानों को वेटेज देकर प्राप्त किया जाता है।
• तुलनात्मक ढांचा: अध्ययन PLANN की तुलना निम्नलिखित के विरुद्ध करता है:
  1. गैर-पैरामीट्रिक PP एस्टिमेटर: संदर्भ मानक (reference standard) के रूप में।
  2. स्प्लाइन-आधारित अतिरिक्त जोखिम प्रतिगमन: प्रतिबंधित क्यूबिक स्प्लाइन्स (RCS) का उपयोग करने वाले समानुपाती जोखिम (PH) और गैर-समानुपाती जोखिम (NPH) मॉडल।
• वैधीकरण रणनीति: प्रदर्शन का मूल्यांकन व्यापक सिमुलेशन (बदलते नमूना आकार, PH/NPH धारणाएं, और अंतःक्रियाएं) और स्लोवेनिया के कोलोरेक्टल कैंसर कोहॉर्ट के वास्तविक दुनिया के अनुप्रयोग के माध्यम से किया गया। PLANN के हाइपर-पैरामीटर्स (छिपे हुए नोड्स, क्षय, समय अंतराल) को 10-फोल्ड क्रॉस-वैलिडेशन के माध्यम से अनुकूलित किया गया था।

प्रमुख योगदान

1. एल्गोरिदम अनुकूलन: PLANN का सफल अनुकूलन, जो जोखिम आनुपातिकता या रैखिकता के सख्त पैरामीट्रिक अनुमानों के बिना अतिरिक्त जोखिमों के अनुमान की अनुमति देता है।
2. सॉफ्टवेयर विकास: survivalPLANN R पैकेज की शुरुआत, जो एल्गोरिदम के प्रशिक्षण, क्रॉस-वैलिडेशन और समग्र एवं नेट उत्तरजीविता दोनों की भविष्यवाणी की सुविधा प्रदान करता है।
3. व्यापक मूल्यांकन: एक कठोर तुलना जो दर्शाती है कि न्यूरल नेटवर्क उन जटिल डेटा संरचनाओं (गैर-समानुपाती जोखिम और अंतःक्रियाओं) को पकड़ सकते हैं जिन्हें पारंपरिक स्प्लाइन-आधारित मॉडल चूक सकते हैं यदि उन्हें स्पष्ट रूप से निर्दिष्ट न किया जाए।

परिणाम

• पक्षपात और सटीकता: सिमुलेशन अध्ययनों में, PLANN ने गैर-समानुपाती जोखिम और जटिल अंतःक्रिया परिदृश्यों के तहत भी, PP एस्टिमेटर और लचीले स्प्लाइन-आधारित मॉडलों के समान कम पक्षपात (low bias) प्रदर्शित किया, जहाँ मानक PH मॉडल काफी विफल रहे।
• विचरण (Variance) और RMSE: सिमुलेशन और वास्तविक दुनिया के अनुप्रयोग में एक सुसंगत निष्कर्ष यह था कि PLANN ने स्प्लाइन-आधारित विधियों की तुलना में थोड़ा उच्च RMSE मान प्रदर्शित किया। यह न्यूरल नेटवर्क अनुमानों में उच्च विचरण (variance) को इंगित करता है।
• नमूना आकार संवेदनशीलता: छोटे नमूना आकार (जैसे, $n=500$) में विचरण की समस्या बढ़ गई। जबकि स्प्लाइन-आधारित मॉडल कम डेटा के साथ अपेक्षाकृत स्थिर प्रदर्शन बनाए रखते हैं, PLANN ने अधिक तेजी से RMSE में वृद्धि और ओवरफिटिंग के संकेत (उच्च प्रशिक्षण AUC बनाम निम्न सत्यापन AUC) दिखाए।
• वास्तविक दुनिया का अनुप्रयोग: 5,971 स्लोवेनी कोलोरेक्टल कैंसर रोगियों के विश्लेषण में, PLANN के अनुमान PP एस्टिमेटर के बहुत करीब थे और उप-समूहों में अक्सर संदर्भ के अधिक निकट थे। हालांकि, PLANN भविष्यवाणियों में कॉन्फिडेंस इंटरवल (confidence intervals) अधिक विस्तृत थे।
• विभेदन (Discrimination): वास्तविक दुनिया के अनुप्रयोग में, PLANN ने स्प्लाइन-आधारित मॉडलों की तुलना में कम विभेदन क्षमता (AUC) प्रदर्शित की, जो सिमुलेशन परिणामों के विपरीत था जहाँ AUC आम तौर पर तुलनीय थे।

महत्व और दावे
यह शोध दावा करता है कि PLANN नेट उत्तरजीविता अनुमान के लिए एक लचीला विकल्प है, जो विशेष रूप से तब मूल्यवान है जब डेटा संरचना जटिल हो (गैर-समानुपाती जोखिम या अंतःक्रियाओं सहित) और जब स्तरीकृत विश्लेषणों से जुड़ी शक्ति (power) के नुकसान से बचना हो। लेखक इस बात पर जोर देते हैं कि जोखिम आनुपातिकता या लॉग-रैखिकता के बारे में धारणाओं को शिथिल करने की क्षमता उनका प्राथमिक लाभ है।

हालाँकि, लेखक विधि की सीमाओं के संबंध में एक मध्यम रुख बनाए रखते हैं। वे स्पष्ट रूप रूप से कहते हैं कि मशीन लर्निंग-आधारित अनुमानों का उच्च विचरण पारंपरिक मॉडल-आधारित दृष्टिकोणों की तुलना में छोटे नमूना आकारों वाले अध्ययनों में इसकी उपयोगिता को सीमित कर सकता है। शोध पत्र निष्कर्ष निकालता है कि हालांकि PLANN अनुमान और भविष्यवाणी के लिए प्रभावी है, इसका उपयोग नमूना आकार की बाधाओं के विरुद्ध तौला जाना चाहिए, और यह विशेष रूप से हाई-डेफिनिशन कोहॉर्ट्स के लिए उपयुक्त है जहाँ जटिल अंतःक्रियाओं की अपेक्षा की जाती है लेकिन उन्हें पैरामीट्रिक रूप से मॉडल करना कठिन होता है। लेखक यह दावा नहीं करते कि PLANN सभी संदर्भों में मौजूदा विधियों का स्थान लेता है, बल्कि यह उन परिदृश्यों के लिए एक पूरक उपकरण के रूप में पेश किया गया है जहाँ मॉडल मिसस्पेसिफिकेशन एक प्राथमिक चिंता का विषय है।