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

技術的概要：ブロック欠損を伴うマルチモーダルスタッキング（MSB）

問題定義
本論文は、臨床腫瘍学における生存分析の 3 つの同時的な課題に対処する：高次元性（$n \sim p$ または $n \ll p$）、大幅な欠損データの割合、およびデータソース内の高い多重共線性である。具体的には、著者はブロック欠損に焦点を当てている。これは、多施設研究における収集プロトコルの不均一性により、特定の患者サブセットに対してデータモダリティ（ソース）全体が利用不可能となる構造的な問題である。標準的なアプローチは、不完全なデータを有する患者を除外するリストワイズ削除に依存することが多く、これによりサンプルサイズが減少し体系的なバイアスが導入されるか、あるいは次元が増加するにつれて忠実度を失う標準的な補完技術に依存する。既存のマルチモーダル学習手法は、しばしば統合されたモダリティとしてではなく、特徴量ごとの表形式データとして扱うか、あるいは典型的な臨床コホートで利用可能なサンプルサイズよりも大きなサンプルサイズを必要とする深層学習モデルである。

手法：MSB フレームワーク
著者は、すべてのモダリティにわたって完全なデータを必要とすることなくこれらの制約に対処するように設計された、後期融合メタ学習フレームワークである**ブロック欠損を伴うマルチモーダルスタッキング（MSB）**を提案する。

1. アーキテクチャ：MSB は、モダリティ固有の学習とグローバル集約を分離する。

   • ベース学習器：$S$ 個のデータソース（モダリティ）のそれぞれに対して、3 つの独立したモデルが訓練される：ペナルティ付き Cox モデル（CoxNet）、ランダム生存フォレスト（RSF）、およびコンポーネント別勾配ブースティングモデル（CWXGB）。
   • 欠損の処理：フレームワークはブロック欠損を明示的に考慮する。ある患者に対してソースが欠損している場合、そのソースに対応するベース学習器は適用されない。
   • メタ学習器：ベース学習器からの出力（リスクスコア）は、メタ学習器によって集約される。過学習を防ぐため、メタ学習器はベース学習器からのアウトオブフォールド交差検証予測に基づいて訓練される。
   • 欠損インジケーター：潜在的なバイアスを制御するため、ブロックごとの欠損率が特徴量としてメタ学習器に追加される。ただし、本研究では、モデルがこれらのパターンから学習するのか、それともバイオマーカー値そのものから学習するのかを調査している。

2. 補完戦略：本論文は MSB の 3 つの変種を評価する：

   • MSB$_{imp}$：k 近傍法（kNN）を使用してモダリティに分割する前に生データを補完する。
   • MSB：スタッキングステップの前に、集約された生存リスクスコア（低次元空間）に対して補完を行う。
   • MSB$_{MIA}$：木ベースのメタ学習器（特に RSF）内で直接「属性に組み込まれた欠損（MIA）」を使用し、補完なしで欠損を独立したカテゴリとして扱う。

3. 検証：このフレームワークは、PIONeeRデータセットを用いて 5 回交差検証（3 回反復）により検証された。性能は、識別力のための C 指数と較正のための統合ブライアスコア（iBS）で測定され、統計的有意性は偽発見率（FDR）を補正した対 Wilcoxon 符号付き順位和検定により評価された。

主要な結果
本研究は、免疫療法を受けている進行性非小細胞肺がん（NSCLC）患者の無増悪生存期間（PFS）を予測するために、PIONeeR データセット（$n=443$ 名の患者、8 つの不均一なソースにわたる 378 個のバイオマーカー）を利用した。

• 予測性能：MSB は、同一データ（kNN 補完付き）で訓練されたベースラインアルゴリズムを一貫して上回った。
  • 線形モデル：MSB-CoxNet は、C 指数が15.9% 増加（0.572 から 0.663、$p < 0.001$）した。
  • ランダムフォレスト：MSB-RSF は5.4% 増加（0.647 から 0.682、$p = 0.002$）した。
  • 勾配ブースティング：MSB-CWXGB は2.1% 増加（0.678 から 0.692、$p = 0.030$）した。
• 汎化：重要な発見は、汎化ギャップ（訓練性能とテスト性能の差）の縮小であった。線形モデルの場合、ギャップはベースラインの 0.380 から MSB の 0.055 に減少し、MSB が過学習に対する効果的な正則化剤として機能することを示している。
• モダリティの重要性：パーミュテーション重要性分析により、日常臨床特徴（ソース A）、医療生物学/血液マーカー（ソース B）、および**PD-L1 発現（ソース E）**が主要な予測因子として特定された。
• 欠損バイアス：欠損ブロックインジケーターは無視できる重要性を示した。これは、モデルがデータ利用可能性のパターンではなく、実際のバイオマーカー値から学習していることを示唆しており、モデルが単に欠損データに基づいて異なる臨床センター（例：APHM とその他）の患者を区別しているという懸念を軽減する。

意義と主張
著者は、MSB がブロック欠損の存在下におけるマルチモーダル生存予測のための統計的に検証されたフレームワークを提供すると主張する。その主な意義は以下の点にある：

1. 構造的疎性の処理：すべてのモダリティにわたって完全なデータを必要とすることなく体系的なバイオマーカー評価を可能にし、リストワイズ削除に伴うサンプルサイズの減少を回避する。
2. 小規模コホートにおける頑健性：高次元特徴空間をモダリティ固有の部分問題に分解し、リスクスコアを集約することで、MSB は「次元の呪い」と過学習を緩和し、$n \ll p$ である臨床コホートに適したものとする。
3. 実用的適用性：このフレームワークは、データ利用可能性がサイトやプロトコルによって変化する多施設研究における予測モデリングのためのツールを提供する。

限界と範囲
本論文は、その主張に関して控えめな立場を維持している：

• 外部検証の欠如：すべての結果は単一コホート（PIONeeR、17 のフランスのセンター）から導き出された。著者は明示的に、MSB は独立した国際コホートでの外部検証を待ってバイオマーカー研究のための方法論的フレームワークとして考慮されるべきであると述べている。
• エンドポイントの特定性：本研究は無増悪生存期間（PFS）に焦点を当てており、競合リスクや治癒分数モデルには拡張されていないが、これらを将来の方向性として指摘している。
• 補完戦略：kNN 補完は計算効率と安定性のために使用されたが、著者はより複雑な補完戦略が存在する可能性を認めている。しかし、MSB 変種間で観測された性能差が最小（$\Delta$C 指数 < 0.01）であったため、追求されなかった。

MSB フレームワークの実装は、Inria ライセンスの下で利用可能である。