Neural Networks for net survival estimation and prediction

技術要約：純生存率の推定および予測のためのニューラルネットワーク

問題提起
純生存率（Net survival）は、がん研究における極めて重要な指標であり、がんが唯一の死因であると仮定した反事実的な世界における生存確率を表す。この指標により、寿命が異なる集団間でのがん関連死亡率の比較が可能になる。Pohar-Perm（PP）推定量のような非パラメトリックな推定法は、不偏ではあるものの、層別解析に限定されるため、複数の共変量を調整しようとすると統計的検出力を維持するために大規模なサンプルサイズを必要とする。一方、パラメトリックおよびセミパラメトリックな超過ハザード回帰（例：スプラインベースのモデル）は柔軟性を提供するが、比例ハザード（PH）性や対数線形性といった仮定に依存する。これらの仮定の違反や重要な相互作用の欠落は、モデルの誤設定と推定のバイアスを招く可能性がある。現在の実務では、これらの違反を避けるために複雑な層別化が行われることが多いが、これは各解析における有効サンプルサイズを減少させる。

手法
著者らは、もともと全生存期間の予測のために開発されたPartial Logistic Artificial Neural Network（PLANN）に基づいた機械学習アプローチを提案し、これを純生存率の推定および予測用に適応させた。

• PLANNの適応: 本手法は、時間を区間 $\tau_l$ に離散化する。そして、前の区間まで生存していることを条件とした、その区間内での死亡の条件付き確率を、一つの隠れ層とロジスティック活性化関数を持つニューラルネットワークを用いてモデル化する。ネットワークの入力には、時間区間と説明変数（$Z_i$）が含まれる。
• 超過ハザードの分解: モデルは全生存率（$\hat{S}_{oi}$）を推定し、全ハザードを導出する。個々の超過ハザード（$\hat{\lambda}_{ei}$）は、推定された全ハザードから（年齢、性別、期間に基づく生命表から導出された）集団ハザードを差し引くことで算出される。
• 純生存率の計算: 個々の超過ハザードを積分することで、個々の純生存率が計算される。その後、個々の推定値を重み付けすることで、周辺純生存率が導出される。
• 比較フレームワーク: 本研究では、PLANNを以下の手法と比較した：
  1. 非パラメトリックPP推定量: リファレンス・スタンダード（基準）。
  2. スプラインベースの超過ハザード回帰: 制限付き立方スプライン（RCS）を用いた比例ハザード（PH）モデルおよび非比例ハザード（NPH）モデル。
• 検証戦略: パフォーマンスは、広範なシミュレーション（サンプルサイズ、PH/NPHの仮定、および相互作用の変化）と、スロベニアの大腸がんコホートを用いた実世界の応用を通じて評価された。ハイパーパラメータ（隠れノード、減衰、時間区間）の最適化は、10分割交差検証によって行われた。

主な貢献

1. アルゴリズムの適応: PLANNを純生存率用に適応させることに成功し、ハザードの比例性や線形性に関する厳格なパラメトリックな仮定なしに、超過ハザードの推定を可能にした。
2. ソフトウェア開発: アルゴリズムの訓練、交差検証、および全生存率と純生存率の両方の予測を容易にするRパッケージ survivalPLANN を導入した。
3. 包括的な評価: ニューラルネットワークが、従来のスプラインベースのモデルでは（明示的に指定しない限り）捉えきれない複雑なデータ構造（非比例ハザードや相互作用）を捕捉できることを示す、厳格な比較を行った。

結果

• バイアスと精度: シミュレーション研究において、PLANNは、非比例ハザードや複雑な相互作用のシナリオ下で標準的なPHモデルが著しく失敗する状況においても、PP推定量および柔軟なスプラインベースのモデルと同等の低いバイアスを示した。
• 分散とRMSE: シミュレーションおよび実世界の応用における一貫した知見として、PLANNはスプラインベースの手法と比較して、わずかに高いRMSE値を示した。これは、ニューラルネットワークの推定値において分散が高いことを示唆している。
• サンプルサイズの感度: 分散の問題は、サンプルサイズが小さい場合（例：$n=500$）に悪化した。スプラインベースのモデルが減少したデータに対しても比較的安定したパフォーマンスを維持した一方で、PLANNはRMSEの急速な上昇と過学習の兆候（検証用AUCよりも訓練用AUCが高い状態）を示した。
• 実世界の応用: 5,971人のスロベニアの大腸がん患者の分析において、PLANNによる予測はPP推定量と密接に一致しており、特にサブグループにおいては、スプラインベースのモデルよりもリファレンスに近い結果を示すことが多かった。しかし、PLANNの予測はより広い信頼区間を示した。
• 識別能: 実世界の応用において、PLANNはスプラインベースのモデルと比較して、低い識別能（AUC）を示した。これは、シミュレーション結果（AUCが概ね同等であった）とは対照的な結果である。

意義と主張
本論文は、PLANNが純生存率の推定および予測のための柔軟な代替案となり得ると主張している。特に、データ構造が複雑（非比例ハザードや相互作用を含む）であり、層別解析に伴う検出力の損失を避けたい場合に価値がある。著者らは、ハザードの比例性や対数線形性に関する仮定を緩和できる能力が、本手法の主要な利点であると強調している。

しかし、著者らは本手法の限界についても慎重な姿勢を維持している。彼らは、機械学習ベースの推定値における高い分散が、従来のモデルベースのアプローチと比較して、サンプルサイズの小さい研究における有用性を制限する可能性があることを明示している。結論として、PLANNは推定および予測には効果的であるが、その適用はサンプルサイズの制約と秤にかけるべきであり、複雑な相互作用が予想されるがパラメトリックにモデル化することが困難な、高精細なコホート（マルチモーダルなデータを持つもの）に特に適していると述べている。著者らは、PLANNがすべての文脈において既存の手法に取って代わるものであるとは主張しておらず、むしろモデルの誤設定が主要な懸念事項となるシナリオにおける補完的なツールとして提示している。