技術的概要：解釈可能な生存分析における GP による特徴量の進化と完全な樹木の進化

1. 問題定義

生存分析は、特定の事象が発生するまでの時間を予測することを目的としており、医療分野において重要なタスクである。主な課題は、研究期間中に事象を経験しなかった患者（打ち切りデータ）を処理しつつ、予測精度と解釈性のバランスを取ることである。

生存木は、患者コホートを再帰的に分割することで本質的な解釈性を提供するが、以下の 2 つの主要な限界に直面している：

1. 複雑性と解釈性のトレードオフ：共変量間の複雑な非線形関係や相互作用を捉えるために、生存木は深く成長する必要があることが多く、これにより解釈性が損なわれ、過学習のリスクが増大する。
2. 貪欲な誘導の限界：古典的な生存木の誘導は、各ノードで局所最適な分割を選択する貪欲なトップダウンアプローチを使用する。これは、真のデータ構造が単純な単変量分割では捉えられない特定の非線形特徴量の組み合わせ（例：XOR 型の相互作用）を必要とする場合、特にグローバルに最適な分割の組み合わせを見逃す傾向がある。

既存の深層学習アプローチ（例：DeepSurv）は高い精度を達成するが、解釈性に欠け、しばしば制限的な Cox 比例ハザード仮定に依存している。一方、CoxKAN などの記号回帰手法はニューラルネットワークを近似するが、比例ハザード仮定に縛られ、生存予測を直接最適化していない。

2. 手法

著者らは、特に多目的 GP-GOMEA アルゴリズムを用いて、浅い生存木を強化する戦略を提案し、比較する。この研究は、PISA（解釈可能な生存分析のためのパイプライン）フレームワークを拡張したものである。

2.1 中核的なアプローチ

本研究では、多目的最適化フレームワーク（統合ブライアースコア [IBS] とモデル複雑性のバランス）の下で評価される、3 つの異なる生存木学習戦略を調査している：

1. GP 構築特徴量（GFC）を伴う貪欲生存木（Greedy ST）：

   • GP は、非線形特徴量（記号式）の集合を進化させるために使用される。
   • これらの特徴量は、標準的な貪欲な木誘導アルゴリズムに入力される。
   • 数値対バイナリ：システムは、木が局所的に閾値を見つける数値特徴量と、GP 式自体が分割（例：$x < t$）を表すバイナリ特徴量の両方を進化させることをテストする。
   • 注記：この設定では、特徴量構築と木誘導は別々の段階である。

2. GFC を伴う最適生存木（Optimal ST）：

   • 動的計画法を使用して、バイナリ入力特徴量のセットが与えられた場合に、証明可能な最適木構造を見つける。
   • GP によって進化させられた特徴量は、共変量変換と閾値の両方を含めるようにバイナリに制約される。
   • 分割の選択は、Cox 比例ハザードモデルに基づいて部分尤度を最大化する。

3. 進化生存木（Evolutionary ST）：

   • 木構造全体と分割ロジックが単一の GP 集団内で共同して進化するという新規アプローチ。
   • 表現：各 GP 木が生存木の特定のノードに対応するように割り当てられる（幅優先）、マルチ木表現を使用する。
   • 制約：各 GP 木は、特徴量と閾値を同時に捉えるバイナリ決定を出力するように制約される。
   • 強化：著者らは、遺伝子型内の木の順序を変化させるGP 木のスワップと、初期集団の多様性を確保し冗長な個体を回避するためのユニークな患者層別化初期化戦略を導入している。

2.2 適合度と評価

• 目的：統合ブライアースコア（IBS）の最小化と、特徴量/木の複雑さ（サイズ）の最小化。
• 複雑性の計算：
  • GFC アプローチの場合：使用される一意の特徴量のサイズの合計。再利用された特徴量は 1 回のみカウントされる。
  • 進化生存木の場合：木構造自体が最適化の一部であるため、特徴量の各再利用が個別にカウントされる。
• データセット：
  • 合成 XOR 問題：軸平行な分割が失敗する非線形相互作用を捉える能力をテストするために設計された。
  • GBSG：リンパ節転移陽性の乳がん生存データ（内部および外部検証）。
  • METABRIC：乳がん分子分類データ（内部および外部検証）。
• ベースライン：DeepSurv、CoxKAN、ランダム生存森林（RSF）、標準的なカプラン・マイヤー推定量と比較。

3. 主要な知見

3.1 合成データ（XOR 問題）

• 元の特徴量を用いた標準的な貪欲木は、真実のモデルを表現できなかった。
• 事前に提供された正しい数値特徴量を用いた貪欲木も、貪欲アルゴリズムが即座の利得に基づいて局所最適ではない根分割を選択したため、失敗した。
• 成功条件：貪欲木に、非線形相互作用の結果である正しいバイナリ指標が提供された場合、または最適 STや進化 STを使用した場合にのみ、真実が回復された。
• これは、複雑な相互作用に対しては、相互作用ロジックを含むように特徴量が事前に構築されるか、あるいは木誘導が非貪欲である必要があることを示している。

3.2 臨床ベンチマーク（GBSG および METABRIC）

• 性能：進化させた特徴量（GFC）を用いた生存木は、元の特徴量を用いたベースラインを大幅に上回った。
  • 深さ 3 の木：GFC 強化の貪欲 ST と進化 ST は、比例ハザード仮定に依存することなく、最先端の DeepSurv や CoxKAN と同等の C-index スコアを達成した。
  • 最適 ST：良好に機能したが、いくつかの構成において進化 ST よりも計算コストが高かった。
• 特徴量構築：
  • 驚くべきことに、臨床データでは、数値演算子のみを使用する GFC 貪欲 ST が、バイナリ演算子を使用するものと同程度の性能を発揮した。これは、合成 XOR ケースとは異なり、これらの特定のデータセットでは高パフォーマンスのために複雑なバイナリ相互作用が厳密には必要でなかったことを示唆している。
  • 数値特徴量により、貪欲アルゴリズムは局所的に最適な閾値を探索でき、GP 段階でバイナリ分割を強制するよりも表現力を提供した。
• 進化 ST の利点：
  • 計算効率：進化 ST は、外部の木構築手順を回避するため、GFC-貪欲（19 時間）と比較してトレーニングが最も速かった（1 コアで深さ 3 の場合 45 分）。
  • グローバル最適化：局所的に非最適な分割を誘導し、それがグローバルに最適な木構造に寄与することに成功した。これは貪欲アプローチには欠けている能力である。
  • 解釈性：良好な性能を持つ複数の浅く、検査可能な木を生成した。

4. 貢献と意義

本論文は、以下の貢献と意義を主張している：

1. 多目的特徴量構築の検証：本研究は、多目的特徴量構築が浅い生存木を強力にする鍵であることを実証している。これにより、複雑性と精度の間で臨床医が選択できるパレート最適解のモデル群を生成できる。
2. 新規な進化生存木：木構造と分割ロジックを共同で最適化する進化 ST の導入は、「最も有望なアプローチ」として提示されている。これは、非貪欲最適化の利点と浅い木の解釈性を組み合わせている。
3. 比例ハザード仮定なしの競争力ある性能：提案された手法は、実世界の臨床データセットにおいて、深層学習ベースライン（DeepSurv、CoxKAN）と同等の予測性能を達成するが、制限的な比例ハザード仮定を必要とせず、完全なモデルの透明性を有している。
4. 実用的な解釈性：木を浅く（深さ 2 または 3）保ち、記号特徴量を使用することで、生成されたモデルは「本質的に検査可能」であり、臨床医が予測を特定の患者特性やリスク因子に遡って追跡できる。

5. 限界と将来の方向性

著者らは、現在の限界を控えめに指摘している：

• バイナリ特徴量の制約：進化 ST は現在、バイナリ特徴量（共変量＋閾値の組み合わせ）の進化を必要とする。著者らは、最適化された閾値を持つ数値特徴量の再利用を可能にするモジュール式表現が、探索空間の複雑さを増やすことなく、より多くの柔軟性を提供できると示唆している。
• リソース配分：本研究では、手法間で一様なハイパーパラメータ（集団サイズ、世代数）を使用していた。進化 ST はより複雑な問題を解決するため、将来的な研究では、より多くの計算リソースを割り当てることがさらに性能を向上させるかどうかを検討すべきである。

結論として、本論文は、特徴量構築が貪欲木を改善する一方で、木構造全体を共同で進化させることが、正確で解釈可能かつ浅い生存モデルを作成するための最大の可能性を提供すると主張している。