Scalable Random Survival Forests via Risk Set Sampling

Sintesi Tecnica: Random Survival Forests Scalabili tramite il Campionamento del Set di Rischio

Definizione del Problema
Le Random Survival Forests (RSF) sono un potente estensione delle random forest per dati con tempi di evento censurati. Tuttavia, la loro applicazione a dataset grandi o ad alta dimensionalità è spesso computazionalmente proibitiva. Il collo di bottiglia principale deriva dalla ripetuta valutazione dei "set di rischio" necessaria per calcolare la regola di splitting log-rank durante la costruzione dell'albero. Per ogni tempo di evento, l'algoritmo deve valutare tutti gli individui ancora a rischio, causando costi computazionali che aumentano rapidamente con la dimensione del campione e il numero di tempi di evento distinti. Sebbene il campionamento del set di rischio sia stato integrato con successo nelle reti neurali basate su Cox (ad esempio, Cox-Time) ed è uno standard nel design epidemiologico classico (nested case-control), non è ancora stato adattato alle RSF.

Metodologia
Gli autori propongono una modifica all'algoritmo RSF che integra direttamente il campionamento del set di rischio nel processo di costruzione dell'albero.

• Meccanismo Core: Invece di utilizzare l'intero set di rischio ($R_k$) ad ogni tempo di evento $t_k$ per calcolare la statistica di splitting log-rank, il metodo campiona una frazione fissa di individui dal set di rischio ($\tilde{R}_k$).
• Regolazione Statistica: La statistica log-rank si basa sul numero atteso di eventi e sulla loro varianza all'interno di un nodo. Gli autori modificano tali calcoli utilizzando il set di rischio campionato $\tilde{R}_k$ invece del set completo. Nello specifico, il numero atteso di eventi $E(D_{\alpha,k})$ e la varianza $Var(D_{\alpha,k})$ per un nodo figlio $\alpha$ vengono ricalcolati utilizzando il rapporto tra gli individui a rischio campionati ($\tilde{R}_{\alpha,k}$) e il totale del set di rischio campionato ($\tilde{R}_k$).
• Implementazione: L'approccio è stato implementato nel pacchetto R ranger, un'implementazione ad alte prestazioni delle random forest. Gli autori hanno testato frazioni di campionamento che vanno dal 10% al 100% (dove il 100% rappresenta lo standard del set di rischio completo).
• Disegno Sperimentale:
  • Simulazioni: Dati di sopravvivenza eterogenei sono stati generati utilizzando distribuzioni miste Esponenziali e Weibull con dimensioni campionarie di $n=500, 1000$ e $2000$e$p=15$ covariate.
  • Dati del Mondo Reale: Sono stati utilizzati due dataset: METABRIC (1904 osservazioni di cancro al seno) e il dataset della German Breast Cancer Study Group (GBSG, 686 osservazioni).
  • Metriche: Le prestazioni sono state valutate tramite l'indice di concordanza (C-index) tramite cross-validazione a 5 fold e stime out-of-bag (OOB), insieme al tempo di esecuzione computazionale.

Risultati Chiave

• Performance Predittiva: In tutti i dataset simulati e reali, i modelli RSF addestrati su set di rischio campionati (specificamente utilizzando il 25% - 40% del set di rischio) hanno ottenuto valori di C-index praticamente indistinguibili dai modelli addestrati su set di rischio completi.
• Efficienza Computazionale: Ridurre il set di rischio nell'intervallo 25–40% ha comportato una riduzione del tempo di addestramento di oltre il 50%. Il tempo di esecuzione è aumentato monotonicamente con la frazione del set di rischio, con i guadagni più significativi osservati nei dataset più grandi.
• Stabilità e Bias: Lo studio ha rilevato che il campionamento del set di rischio influenza principalmente la varianza delle stime piuttosto che introdurre un bias sistematico. Gli intervalli di confidenza per il C-index hanno mostrato una sovrapposizione sostanziale tra tutte le frazioni di campionamento, indicando l'assenza di una differenza statisticamente significativa nella discriminazione predittiva.
• Effetto di Regolarizzazione: In diversi scenari, i modelli addestrati con frazioni di campionamento moderate (25–40%) hanno mostrato valori di C-index marginalmente superiori rispetto ai modelli a rischio completo, suggerendo un potenziale effetto di regolarizzazione benefico che riduce il rumore.

Significatività e Rivendicazioni
Il paper sostiene che il campionamento del set di rischio sia una modifica semplice ma efficace che migliora sostanzialmente la scalabilità delle Random Survival Forests senza compromettere la performance predittiva o la stabilità del modello. Gli autori argomentano che:

1. Ponte tra Discipline: L'approccio fornisce un ponte metodologico tra i design di campionamento epidemiologici classici (nested case-control) e il machine learning moderno per l'analisi della sopravvivenza.
2. Utilità Pratica: Il calcolo del rischio completo offre spesso poco vantaggio pratico per ottenere buone performance predittive nelle RSF, pur comportando costi computazionali significativamente più elevati.
3. Accessibilità: Implementando questa metodologia nel pacchetto ranger, ampiamente utilizzato, gli autori facilitano l'applicazione delle RSF scalabili nella pratica, specialmente per dati di sopravvivenza su larga scala e ad alta dimensionalità.

Gli autori concludono che, sebbene il metodo sia robusto, lavori futuri potrebbero esplorarne l'applicazione a framework più complessi (rischi competitivi, modelli multi-stato) e investigare le interazioni con altri iperparametri delle RSF.