Neural Networks for net survival estimation and prediction

Sintesi Tecnica: Reti Neurali per la Stima e la Predizione della Sopravvivenza Netta

Definizione del Problema
La sopravvivenza netta è una metrica critica in oncologia, che rappresenta la probabilità di sopravvivenza in un mondo controfattuale in cui il cancro è l'unica possibile causa di morte. Questa metrica consente il confronto della mortalità legata al cancro tra popolazioni con diverse aspettative di vita. Sebbene gli stimatori non parametrici come l'estimatore di Pohar-Perme (PP) siano non distorti, essi sono limitati alle analisi stratificate, richiedendo ampi campioni per mantenere la potenza statistica quando si correggono molteplici covariate. Al contrario, le regressioni dell'eccesso di rischio parametriche e semi-parametriche (ad esempio, i modelli basati su spline) offrono flessibilità ma si basano su assunzioni quali i rischi proporzionali (PH) e la log-linearità. Le violazioni di tali assunzioni, o l'omissione di importanti interazioni, possono portare a una specificazione errata del modello e a stime distorte. La pratica attuale spesso prevede una complessa stratificazione per evitare tali violazioni, il che riduce la dimensione effettiva del campione per ogni analisi.

Metodologia
Gli autori propongono un approccio di machine learning basato sulla Rete Neurale Artificiale Logistica Parziale (PLANN), originariamente sviluppata per la predizione della sopravvivenza globale, qui adattata per la stima e la predizione della sopravvivenza netta.

• Adattamento PLANN: Il metodo discretizza il tempo in intervalli $\tau_l$. Modella la probabilità condizionata di morte in un intervallo, dato che si è sopravvissuti fino all'intervallo precedente, utilizzando una rete neurale con uno strato nascosto e una funzione di attivazione logistica. Gli input della rete includono gli intervalli temporali e le variabili esplicative ($Z_i$).
• Decomposizione dell'Eccesso di Rischio: Il modello stima la sopravvivenza globale ($\hat{S}_{oi}$) e deriva l'eccesso di rischio globale. L'eccesso di rischio individuale ($\hat{\lambda}_{ei}$) è calcolato sottraendo il rischio della popolazione (derivato dalle tavole di mortalità basate su età, sesso e periodo) dall'eccesso di rischio globale stimato.
• Calcolo della Sopravvivenza Netta: La sopravvivenza netta individuale è computata integrando l'eccesso di rischio. La sopravvivenza netta marginale viene poi derivata ponderando le stime individuali.
• Framework Comparativo: Lo studio confronta PLANN con:
  1. Estimatore PP non parametrico: Lo standard di riferimento.
  2. Regressioni dell'Eccesso di Rischio basate su Spline: Sia modelli a rischi proporzionali (PH) che a rischi non proporzionali (NPH) utilizzando spline cubiche ristrette (RCS).
• Strategia di Validazione: Le prestazioni sono state valutate attraverso estese simulazioni (variando dimensioni del campione, assunzioni PH/NPH e interazioni) e un'applicazione nel mondo reale utilizzando una coorte di cancro colorettale della Slovenia. Le metriche includono bias, Root Mean Square Error (RMSE), Log-Likelihood e l'Area Sotto la curva ROC netta (AUC). Gli iperparametri per PLANN (nodi nascosti, decadimento, intervalli temporali) sono stati ottimizzati tramite cross-validazione a 10 pieghe.

Contributi Chiave

1. Adattamento Algoritmico: Il successo dell'adattamento di PLANN per la sopravvivenza netta, che consente la stima degli eccessi di rischio senza rigide assunzioni parametriche riguardo alla proporzionalità dei rischi o alla linearità.
2. Sviluppo Software: L'introduazione del pacchetto R survivalPLANN, che facilita l'addestramento dell'algoritmo, la cross-validazione e la predizione sia della sopravvivenza globale che di quella netta.
3. Valutazione Comprensiva: Un confronto rigoroso che dimostra come le reti neurali possano catturare strutture di dati complesse (rischi non proporzionali e interazioni) che i modelli tradizionali basati su spline potrebbero mancare se non esplicitamente specificate.

Risultati

• Bias e Accuratezza: Negli studi di simulazione, PLANN ha prodotto un basso bias comparabile sia all'estimatore PP che ai flessibili modelli basati su spline, anche in presenza di rischi non proporzionali e scenari di interazione complessi dove i modelli PH standard fallivano significativamente.
• Varianza e RMSE: Un risultato costante in tutte le simulazioni e nell'applicazione nel mondo reale è stato che PLANN ha mostrato valori di RMSE leggermente superiori rispetto ai metodi basati su spline. Ciò indica una maggiore varianza nelle stime della rete neurale.
• Sensibilità alla Dimensione del Campione: Il problema della varianza è stato esacerbato in campioni più piccoli (ad esempio, $n=500$). Mentre i modelli basati su spline mantenevano prestazioni relativamente stabili con dati ridotti, PLANN mostrava un aumento più rapido dell'RMSE e segni di overfitting (AUC di training superiore all'AUC di validazione) in coorti più piccole.
• Applicazione nel Mondo Reale: Nell'analisi di 5.971 pazienti con cancro colorettale sloveno, le predizioni di PLANN corrispondevano strettamente all'estimatore PP e spesso erano più vicine al riferimento rispetto ai modelli basati su spline, in particolare nei sottogruppi. Tuttavia, le predizioni di PLANN hanno mostrato intervalli di confidenza più ampi.
• Discriminazione: Nell'applicazione nel mondo reale, PLANN ha dimostrato una capacità discriminativa (AUC) inferiore rispetto ai modelli basati su spline, un contrasto rispetto ai risultati delle simulazioni dove le AUC erano generalmente comparabili.

Significatività e Rivendicazioni
Il documento sostiene che PLANN rappresenti un'alternativa flessibile per la stima della sopravvivenza netta, particolarmente preziosa quando la struttura dei dati è complessa (coinvolgendo rischi non proporzionali o interazioni) e quando si vuole evitare la perdita di potenza associata alle analisi stratificate. Gli autori sottolineano che la capacità del metodo di rilassare le assunzioni sulla proporzionalità dei rischi e sulla log-linearità è il suo vantaggio primario.

Tuttavia, gli autori mantengono una posizione modesta riguardo ai limiti del metodo. Essi dichiarano esplicitamente che la maggiore varianza delle stime basate su machine learning può limitarne l'utilità in studi con campioni ridotti rispetto agli approcci tradizionali basati su modelli. Il documento conclude che, sebbene PLANN sia efficace per la stima e la predizione, la sua applicazione deve essere ponderata rispetto ai vincoli della dimensione del campione, ed è particolarmente adatto per coorti ad alta definizione con dati multimodali dove sono attese interazioni complesse ma difficili da modellare parametricamente. Gli autori non rivendicano che PLANN superi i metodi esistenti in ogni contesto, ma piuttosto che offra uno strumento complementare per scenari in cui la misspecificazione del modello è una preoccupazione primaria.