Multimodality Stacking with Blockwise missing values and application to the PIONeeR biomarkers study for prediction of resistance to immunotherapy

Sintesi Tecnica: Stacking di Multimodalità con Valori Mancanti a Blocchi (MSB)

Enunciato del Problema
Il documento affronta tre sfide concomitanti nell'analisi di sopravvivenza in oncologia clinica: alta dimensionalità ($n \sim p$ o $n \ll p$), proporzioni sostanziali di dati mancanti e alta multicollinearità all'interno delle fonti di dati. In particolare, gli autori si concentrano sulla mancanza a blocchi, un problema strutturale in cui intere modalità di dati (fonti) non sono disponibili per specifici sottogruppi di pazienti a causa di protocolli di raccolta eterogenei negli studi multicentrici. Gli approcci standard spesso si basano sulla cancellazione listwise (esclusione dei pazienti con dati incompleti), che riduce la dimensione del campione e introduce un bias sistematico, o su tecniche di imputazione standard che perdono fedeltà all'aumentare della dimensionalità. I metodi esistenti di apprendimento multimodale trattano spesso i dati tabellari su base per-feature piuttosto che come modalità unificate, oppure si tratta di modelli di deep learning che richiedono dimensioni campionarie superiori a quelle disponibili nelle tipiche coorti cliniche.

Metodologia: Il Framework MSB
Gli autori propongono lo Stacking di Multimodalità con valori mancanti a blocchi (MSB), un framework di meta-apprendimento a fusione tardiva progettato per gestire questi vincoli senza richiedere dati completi su tutte le modalità.

1. Architettura: MSB disaccoppia l'apprendimento specifico per modalità dall'aggregazione globale.

   • Apprenditori di Base: Per ciascuna delle $S$ fonti di dati (modalità), vengono addestrati tre modelli indipendenti: un modello Cox penalizzato (CoxNet), una Foresta di Sopravvivenza Random (RSF) e un modello di Gradient Boosting Component-wise (CWXGB).
   • Gestione della Mancanza: Il framework tiene esplicitamente conto della mancanza a blocchi. Se una fonte è mancante per un paziente, il corrispondente apprenditore di base per quella fonte non viene applicato.
   • Meta-Apprenditore: Gli output (punteggi di rischio) degli apprenditori di base sono aggregati da un meta-apprenditore. Per prevenire l'overfitting, il meta-apprenditore viene addestrato su predizioni cross-validate out-of-fold provenienti dagli apprenditori di base.
   • Indicatori di Mancanza: Il tasso di mancanza per blocco viene aggiunto come caratteristica al meta-apprenditore per controllare il potenziale bias, sebbene lo studio indichi se il modello apprende da questi pattern o dai valori dei biomarcatori stessi.

2. Strategie di Imputazione: Il documento valuta tre variazioni di MSB:

   • MSB$_{imp}$: Imputa i dati grezzi prima della suddivisione in modalità utilizzando i k-Nearest Neighbors (kNN).
   • MSB: Esegue l'imputazione sui punteggi aggregati di rischio di sopravvivenza (spazio a dimensionalità inferiore) prima del passaggio di stacking.
   • MSB$_{MIA}$: Utilizza "Missing Incorporated in Attributes" (MIA) direttamente all'interno di meta-apprenditori basati su alberi (specificamente RSF), trattando la mancanza come una categoria distinta senza imputazione.

3. Validazione: Il framework è stato validato utilizzando la validazione incrociata a 5 fold (ripetuta 3 volte) sul dataset PIONeeR. Le prestazioni sono state misurate utilizzando l'indice C (discriminazione) e l'Integrated Brier Score (iBS) per la calibrazione, con la significatività statistica valutata tramite test dei ranghi con segno di Wilcoxon appaiati corretti per il Tasso di Falso Scoperta (FDR).

Risultati Chiave
Lo studio ha utilizzato il dataset PIONeeR ($n=443$ pazienti, 378 biomarcatori su 8 fonti eterogenee) per prevedere la Sopravvivenza Libera da Progressione (PFS) in pazienti con carcinoma polmonare non a piccole cellule (NSCLC) avanzato in trattamento con immunoterapia.

• Prestazioni Predittive: MSB ha costantemente superato gli algoritmi di base addestrati sugli stessi dati (con imputazione kNN).
  • Modelli Lineari: MSB-CoxNet ha mostrato un aumento del 15,9% nell'indice C (da 0,572 a 0,663, $p < 0,001$).
  • Random Forests: MSB-RSF ha mostrato un aumento del 5,4% (da 0,647 a 0,682, $p = 0,002$).
  • Gradient Boosting: MSB-CWXGB ha mostrato un aumento del 2,1% (da 0,678 a 0,692, $p = 0,030$).
• Generalizzazione: Una scoperta critica è stata la riduzione del divario di generalizzazione (la differenza tra le prestazioni di addestramento e di test). Per i modelli lineari, il divario è diminuito da 0,380 (baseline) a 0,055 (MSB), indicando che MSB agisce come un regolarizzatore efficace contro l'overfitting.
• Importanza delle Modalità: L'analisi dell'importanza per permutazione ha identificato le caratteristiche cliniche di routine (Fonte A), i marcatori di biologia medica/sangue (Fonte B) e l'espressione di PD-L1 (Fonte E) come i principali driver predittivi.
• Bias da Mancanza: Gli indicatori di blocco mancante hanno mostrato un'importanza trascurabile. Ciò suggerisce che il modello apprende dai valori effettivi dei biomarcatori piuttosto che dai pattern di disponibilità dei dati, alleviando le preoccupazioni secondo cui il modello distingua semplicemente tra pazienti di diversi centri clinici (ad es. APHM rispetto ad altri) basandosi sui dati mancanti.

Significato e Affermazioni
Gli autori affermano che MSB fornisce un framework validato statisticamente per la previsione di sopravvivenza multimodale in presenza di mancanza a blocchi. Il suo significato principale risiede in:

1. Gestione della Sparsità Strutturale: Consente una valutazione sistematica dei biomarcatori senza richiedere dati completi su tutte le modalità, evitando la riduzione della dimensione del campione associata alla cancellazione listwise.
2. Robustezza in Coorti Piccole: Decomponendo lo spazio delle caratteristiche ad alta dimensionalità in sottoproblemi specifici per modalità e aggregando i punteggi di rischio, MSB mitiga la "maledizione della dimensionalità" e l'overfitting, rendendolo adatto a coorti cliniche dove $n \ll p$.
3. Applicabilità Pratica: Il framework offre uno strumento per la modellazione predittiva negli studi multicentrici in cui la disponibilità dei dati varia per sito o protocollo.

Limitazioni e Ambito
Il documento mantiene una posizione modesta riguardo alle sue affermazioni:

• Mancanza di Validazione Esterna: Tutti i risultati sono derivati da una singola coorte (PIONeeR, 17 centri francesi). Gli autori affermano esplicitamente che MSB dovrebbe essere considerato un framework metodologico per la ricerca sui biomarcatori in attesa di validazione esterna in coorti internazionali indipendenti.
• Specificità dell'Endpoint: Lo studio si è concentrato sulla Sopravvivenza Libera da Progressione (PFS) e non si è esteso ai rischi competenti o ai modelli di frazione di guarigione, sebbene li indichino come potenziali direzioni future.
• Strategia di Imputazione: Sebbene l'imputazione kNN sia stata utilizzata per la sua efficienza computazionale e stabilità, gli autori riconoscono che potrebbero esistere strategie di imputazione più complesse, ma non sono state perseguite a causa delle minime differenze di prestazioni osservate tra le varianti MSB ($\Delta$C-index < 0,01).

L'implementazione del framework MSB è resa disponibile sotto licenza Inria.