Parametric ROC Analysis and Optimal Cutoff Selection under Scale Mixtures of Skew-Normal Distributions: A Decision-Theoretic Framework with Asymptotic Inference

技術的概要：歪み正規分布のスケール混合分布におけるパラメトリック ROC 分析と最適カットオフ選定

問題提起
連続性バイオマーカーに対する診断閾値の選定は、感度と特異性のバランスを取る重要な臨床的決定である。受信者動作特性（ROC）曲線は識別能力を包括的に評価するが、臨床実装には単一の作動点が必要となる。感度と特異性の和を最大化する広く用いられているユーデン指数は、誤分類コストと疾病有病率が等しいという仮定を暗黙的に含んでいる。これらの仮定は、有病率が低い血清学的研究や、偽陰性（見逃された診断など）の帰結が偽陽性と著しく異なる状況において、頻繁に非現実的である。さらに、免疫学的および血清学的文脈におけるバイオマーカーは、しばしば歪みと重い尾部を示し、標準的なガウスベースの ROC モデルを不適切にする。既存のパラメトリック手法は、柔軟な分布族の下での決定論的最適性（コストと有病率の組み込み）と形式的な漸近推論を統合することに失敗することが多い。

方法論
著者は、スケール混合歪み正規（SMSN）分布の族に基づいた、ROC 分析および最適カットオフ選定のための統合されたパラメトリック枠組みを開発する。この族は、歪み正規（SN）分布および歪み t（ST）分布を含み、右または左への歪みおよび尾部の重さの異なる程度を可能にする。

1. モデル構造: バイオマーカー $X$ は、疾病状態 $D \in \{0, 1\}$ に条件付けられて $X|D=k \sim \text{SMSN}(\xi_k, \omega_k, \alpha_k; H_k)$ としてモデル化される。パラメータは、罹患群と非罹患群それぞれに対して個別の最尤（ML）適合を通じて推定される。
2. ROC および AUC 推定: ROC 曲線と曲線下面積（AUC）は、SMSN パラメータの滑らかな汎関数として導出される。推定量は、グループごとの ML 推定量を用いたプラグイン原理により得られる。
3. 決定論的カットオフ選定: 最適カットオフ $c^*$ は、重み付き誤分類リスク $R(c) = \lambda_1 \pi_1 F_1(c) + \lambda_0 \pi_0 (1 - F_0(c))$ を最小化するものとして定義される。ここで、$\lambda$ は誤りコストを、$\pi$ は疾病有病率を表す。
   • 最適性に関する一階条件は、尤度比方程式 $\Lambda(c^*) = f_1(c^*)/f_0(c^*) = (\lambda_0 \pi_0) / (\lambda_1 \pi_1)$ を導く。
   • これは、比が 1 となるユーデン基準を、非対称な設定に一般化するものである。
4. 理論的性質:
   • 存在と一意性: 単調尤度比（MLR）条件の下で、著者はカットオフの存在、一意性、および大域的最適性を証明する。
   • 漸近推論: 陰関数定理と多変量デルタ法を用いて、著者は ROC 曲線、AUC、および最適カットオフのプラグイン推定量の結合漸近分布を導出する。
   • 分散と識別可能性: 主要な貢献の一つは、閉形式のプラグイン分散推定量の導出である。漸近分散は、最適閾値における推定方程式の局所勾配の二乗、すなわち $|\partial_c \phi(c^*, \theta^*)|$ に反比例する。この量は局所識別可能性診断として解釈され、決定境界がどの程度明確に定義されているかを測定する。

主要な貢献

• 統合枠組み: 本論文は、柔軟な SMSN モデルリングと決定論的カットオフ選定を統合し、ガウス仮定および対称的なコスト/有病率基準の限界に対処する。
• 一般化された最適性: 非対称なコストと有病率を明示的に考慮する尤度比方程式の一意解として最適カットオフを確立し、ユーデン指数に対する厳密な代替案を提供する。
• 漸近理論: 著者は、最適カットオフに対する一致性、漸近正規性、および閉形式の分散推定量を提供する。
• 識別可能性診断: 診断ツールとしての局所勾配項の導出により、実務者は臨床報告前に推定カットオフの信頼性と安定性を評価できる。
• 一階展開: コスト - 有病率比および局所曲率の関数として、ユーデン解からの最適カットオフの移動を定量化する一階展開が導出される。

結果

• シミュレーション研究: 6 つのシナリオ（異なる SN および ST 分布、分離レベル、コスト/有病率の非対称性）にわたるモンテカルロシミュレーションは、漸近近似の精度を確認する。
  • プラグイン推定量 $\hat{c}$ は無視できるバイアスを示し、サンプルサイズが増加するにつれて二乗平均平方根誤差（RMSE）が減少する。
  • 経験分散とプラグイン漸近分散の比率は 1 に近く、分散式の妥当性を検証する。
  • ウォルド信頼区間は、重い尾部および弱い分離のケースを含むすべてのシナリオで、名义カバレッジ（約 95%）を達成する。
  • 局所識別可能性診断 $|\partial_c \phi|$ は、推定変動性と逆相関する：勾配が小さい（境界が平坦）場合、分散は大きくなり、信頼区間は広くなる。
• SARS-CoV-2 データへの適用: 本手法は、4 つの IgG バイオマーカー（Stri、RBD、S1、S2）の血清学的データに適用された。
  • BIC によるモデル選択は、血清陰性群に対して歪み t 分布を、血清陽性群に対して歪み正規分布を支持した。
  • 非対称な決定設定（$\lambda_1 = 3\lambda_0$、$\pi_0 = 0.9$）において、提案された最適カットオフはユーデンカットオフよりも実質的に高かった。
  • 決定論的カットオフは、ユーデン閾値と比較して推定誤分類リスクを最大 63% 削減した（特に偽陽性コストが高いシナリオにおける RBD バイオマーカーの場合）。
  • 局所識別可能性診断は、信頼区間の幅を成功裡に予測し、尤度比が平坦なバイオマーカーはより広い区間をもたらすことを示した。

意義と主張
本論文は、決定論的最適性と形式的な漸近推論を組み合わせる SMSN 族内での ROC 分析および最適カットオフ選定の体系的な扱いを提供することで、文献のギャップを埋めると主張する。著者は、提案された枠組みが、特に稀な疾患や非対称な誤りコストの状況において、ユーデン規則が著しく非最適となり得る場合に、ユーデン指数に対する原理的な代替案を提供すると強調する。局所識別可能性診断の組み込みは、推定閾値の安定性を評価するための実用的なツールとして強調されており、全体的な識別能力が良好なバイオマーカーであっても、決定境界が局所的に平坦である場合、弱く識別可能なカットオフをもたらす可能性があることを認識している。著者は控えめに、単調尤度比の仮定は一意性に対する十分条件であり必要条件ではないこと、および枠組みは既知の有病率を仮定しており、推定有病率への拡張は将来の課題に委ねられることを指摘している。