Surrogate-assisted optimal sampling for risk prediction under measurement constraints

技術要約：測定制約下におけるリスク予測のためのサロゲート支援型最適サンプリング

問題の背景
電子健康記録（EHR）解析などの多くのリスク予測シナリオでは、大規模な対象集団に対して共変量と応答サロゲート（例：診断コード）は利用可能であるが、真の応答（true response）を確定するにはコストがかかり、限定されたサブセットにおいてのみ観測される。これにより、設計上の問題が生じる。すなわち、限られた測定予算をどのように割り当てて、どの観測値に対して真の応答を測定すべきかを決定し、最適な予測モデルを構築するかという問題である。

既存のサブサンプリング手法は、この設定においていくつかの限界に直面することが多い。単純無作為抽出（SRS）は、情報の有用性における不均一性を活用できない。パラメータ推定を最適化する手法（Wang et al., 2018など）は、サンプリング確率を設計するために観測された応答を必要とするが、ラベルのないグループについてはそれらが利用不可能である。他のアプローチ（Shen & Ning, 2025; Lee et al., 2023など）は、パラメータや予測の平均二乗誤差（MSE）を最小化することに焦点を当てているが、これらはバイナリ・リスク予測の性能と直接的に一致しない場合がある。さらに、多くの既存手法は、サロゲートが陽性ケースを完全に特定するという条件を前提としているが、実務においてこの条件が成立しない可能性がある。

手法
著者らは、測定制約下でのバイナリ・リスク予測のために特別に設計された、サロゲート支援型最適サンプリング・フレームワークを提案している。

1. 設定:

   • $y_i \in \{0, 1\}$ を真の応答とし、$s_i$ をサロゲート指標とする（ここで $s_i=1 \implies y_i=1$）。
   • $s_i=1$ である観測値は、既知の応答を持つ確認された陽性ケースである。
   • $s_i=0$ である観測値は、ラベルなし（真の陽性と陰性の両方を含む）である。目標は、これらの $s_i=0$ の観測値の中から、応答を測定するためのサブセットを選択することである。
   • 測定予算 $C$ は、$s_i=0$ のグループからサンプリングされる観測値の総数を制限する。

2. 推定:

   • 予測モデル $p(x, \beta)$ は、$P(Y=1|x)$ を推定する。
   • モデルパラメータ $\beta$ は、以下の逆確率重み付け（IPW）クロスエントロピー損失を最小化することによって推定される：
     $$L_N(\beta) = -\sum_{i=1}^N \frac{\delta_i}{\pi_T(x_i)} [y_i \log p(x_i, \beta) + (1-y_i) \log(1-p(x_i, \beta))]$$
     ここで、$\delta_i$ はサンプリング指示器であり、$\pi_T(x_i)$ は総サンプリング確率である。

3. 最適サンプリング設計:

   • 著者らは、期待外標本クロスエントロピー損失の主要項を導出し、これは $s_i=0$ のグループに対するサンプリング確率 $\pi(z)$ に依存する。
   • 最適なサンプリング確率は、予算制約の下でこの主要項の経験的対応物を最小化することによって導出される。
   • 解は以下の形式をとる：
     $$\hat{\pi}_i \propto \sqrt{a_i(\hat{\beta})}$$
     ここで、$a_i(\hat{\beta})$ はクロスエントロピー損失の漸近分散への $i$ 番目の観測値の寄与を表し、$\hat{\beta}$ は予備的な推定値である。
   • 二段階の手順: 最初は $\hat{\beta}$ が未知であるため、著者らは二段階アルゴリズムを提案している：
     1. パイロットサンプルまたは単純無作為抽出を用いて、予備的な推定値 $\tilde{\beta}$ を得る。
     2. $\tilde{\beta}$ に基づいて最適なサンプリング確率 $\hat{\pi}$ を計算し、最終的なモデルを適合させるために再サンプリングおよび応答の測定を行う。

4. 理論的特性:

   • 正則条件（コンパクトなパラメータ空間、滑らかさ、ヘッセ行列の可逆性）の下で、提案された推定量 $\hat{\beta}_{\pi}$ は一致性および漸近正規性を持つことが示されている。
   • 定理3は、提案された設計が、同じ予算を持つすべての許容可能なサンプリング戦略の中で、期待外標本クロスエントロピー損失の主要項を最小化することを確立している。

主な貢献

1. 汎用性: 本手法は、ロジスティック回帰や特定の一般化線形モデル（GLM）に限定されず、一般的な滑らかなパラメトリック・リスク予測モデルに適用可能である。
2. 制約下での実現可能性: この設計は、設計段階においてターゲットとなるラベルなしの観測値からの真の応答を必要とせず、共変量、サロゲート、および予備的な推定値のみに依存する。
3. 予測指向の基準: パラメータ推定のMSEや予測MSEを最小化する既存の手法とは異なり、本フレームワークは期待クロスエントロピー損失を直接最適化し、サンプリング戦略をバイナリ・リスク予測の目的に適合させている。

結果
論文では、広範なシミュレーションと2つの実データへの適用を通じて、本手法の妥当性を検証している。

• シミュレーション:

  • 正しいサロゲート: サロゲートが陽性ケースを正しく特定する場合（$P(Y=1|S=1)=1$）、提案されたクロスエントロピー（CE）法は、MSEベースの最適サンプリング（Lee et al., 2023）、OSCA、およびSRSと比較して、最も低いクロスエントロピー損失と競争力のあるMSE、感度、特異度を達成した。
  • 誤指定されたサロゲート: $P(Y=1|S=1)=1$ という仮定が満たされない場合（すなわち、サロゲートグループに偽陽性が存在する場合）、CE法は優れた堅牢性を示す。CE法は、競合手法が偽陽性の混入によって性能が著しく低下する一方で、より低いクロスエントロピー損失と優れた分類安定性を維持した。
  • 稀なアウトカム: 低い有病率（約5%）でサロゲート情報がないシナリオにおいて、CE法はSRSおよびOSCA（この場合はSRSに帰着する）を上回り、MSEベースの手法で見られる数値的な退化を回避した。

• 実データへの適用:

  • うつ病予測（MIMIC-III）: ICU入室記録を用い、CE法は様々なサンプリング予算（$C=100$ から $400$）において、一貫して競合手法よりも低いクロスエントロピー損失と高いAUCを達成した。
  • 脳卒中予測（Kaggle）: サロゲート指標のない低有病率の設定において、CE法はサブサンプリング手法の中で最も安定した予測と最高のAUCを提供し、フルデータ・ベンチマークの性能に極めて近い結果を示した。

意義と主張
本論文は、提案されたフレームワークが、リソース制約下でのリスク予測に対する、理論的根拠に基づいた効果的な解決策を提供すると主張している。クロスエントロピー損失を直接ターゲットにすることで、本設計は、サンプリング設計がパラメータ推定ではなく、予測精度にとって最も情報量が多い観測値を優先するようにしている。著者らは、サロゲートの誤指定に対する本手法の堅牢性と、従来の最適サンプリング戦略が失敗する可能性のある稀なアウトカムの設定においても効果的に機能する能力を強調している。本研究は、測定制約のある実験設計とバイナリ分類の性能との間の溝を埋め、ラベル付けが高コストであり、サロゲートが不完全であるシナリオに対する実行可能な戦略を提供している。