Scalable Random Survival Forests via Risk Set Sampling

技術要約：リスクセット・サンプリングによるスケーラブルなランダム生存フォレスト

問題提起
ランダム生存フォレスト（RSF）は、打ち切りを伴う生存時間データに対して設計された、強力な機械学習の拡張手法である。しかし、大規模または高次元のデータセットへの適用においては、計算コストが極めて高くなる場合がある。主なボトルネックは、決定木の構築過程でログランク分割則を計算するために必要となる、「リスクセット」の反復的な評価から生じる。すべてのイベント時刻において、依然としてリスク下にある個体すべてを評価しなければならないため、計算コストはサンプルサイズおよび異なるイベント時刻の数とともに急速に増大する。リスクセット・サンプリングは、Coxベースのニューラルネットワーク（例：Cox-Time）において成功裏に統合されており、古典的な疫学（入れ子状ケースコントロール研究）における標準的な設計であるが、RSFへの適応はまだ行われていない。

手法
著者らは、RSFアルゴリズムにリスクセット・サンプリングを直接組み込む修正案を提案している。

• 核となるメカニズム： 各イベント時刻 $t_k$ におけるログランク分割統計量を計算するために、フルリスクセット ($R_k$) を用いる代わりに、リスクセットから固定の割合の個体をサンプリングした集合 ($\tilde{R}_k$) を利用する。
• 統計的調整： ログランク統計量は、ノード内における期待イベント数と分散に依存する。著者らは、これら（期待値と分散）の計算を、フルセットではなくサンプリングされたリスクセット $\tilde{R}_k$ を用いて計算するように修正している。具体的には、娘ノード $\alpha$ に対する期待イベント数 $E(D_{\alpha,k})$ および分散 $Var(D_{\alpha,k})$ を、サンプリングされたリスクセットの総数に対するサンプリングされたリスク下個体数 ($\tilde{R}_{\alpha,k}$) の比率を用いて再計算する。
• 実装： この手法は、高性能なランダムフォレストの実装であるR言語の ranger パッケージに実装された。著者らは、サンプリング割合を10%から100%（100%は標準的なフルリスクセットを指す）の範囲でテストした。
• 実験設計：
  • シミュレーション： 指数分布およびワイブル混合分布を用いて、サンプルサイズ $n=500, 1000, 2000$、共変量 $p=15$ の不均一な生存データを生成した。
  • 実世界のデータ： METABRIC（1904件の乳がん観察データ）とドイツ乳がん研究グループ（GBSG）のデータセット（686件の観察データ）の2つのデータセットを利用した。
  • 指標： パフォーマンスは、5分割交差検証およびアウトオブバッグ（OOB）推定によるコンコーダンス指数（C-index）と、計算実行時間を用いて評価された。

主要な結果

• 予測性能： すべてのシミュレーションおよび実世界のデータセットにおいて、サンプリングされたリスクセット（具体的には25%から40%を使用）で訓練されたRSFモデルは、フルリスクセットで訓練されたモデルと事実上区別がつかないC-index値を達成した。
• 計算効率： リスクセットを25–40%の範囲に削減することで、訓練時間を50%以上短縮できた。実行時間はリスクセットの割合に対して単調に増加し、最も顕著な改善は大規模なデータセットにおいて観察された。
• 安定性とバイアス： リスクセット・サンプリングは、主に推定値のバイアスではなく、推定値の分散に影響を与えることが判明した。C-indexの信頼区間はすべてのサンプリング割合において大幅に重なっており、予測識別能に統計的に意味のある差がないことを示している。
• 正則化効果： いくつかのシナリオでは、中程度のサンプリング割合（25–40%）で訓練されたモデルが、フルリスクモデルよりもわずかに高いC-index値を示しており、ノイズを軽減する有益な正則化効果の可能性を示唆している。

意義と主張
本論文は、リスクセット・サンプリングが、予測性能やモデルの安定性を損なうことなく、RSFのスケールアップを大幅に改善する、シンプルかつ効果的な修正手法であることを主張している。著者らは以下の通り述べている。

1. 学問分野の架け橋： このアプローチは、古典的な疫学的サンプリング設計（入れ子状ケースコントロール）と、生存分析のための現代的な機械学習との間の方法論的な架け橋を提供する。
2. 実用的な有用性： フルリスクの計算は、RSFモデリングにおいて優れた予測性能を得るために実用的な利点をもたらすことがほとんどなく、一方で大幅に高い計算コストを強いる。
3. アクセシビリティ： 本手法を広く利用されている ranger パッケージに実装することで、著者らは大規模かつ高次元の生存データにおいて、スケーラブルなRSFを実務で適用することを容易にしている。

著者らは、本手法は堅牢であるものの、今後の課題として、より複雑なフレームワーク（競合リスク、マルチステートモデル）への適用を探索することや、他のRSFハイパーパラメータとの相互作用を調査することを挙げている。