Comparative Review of Modern Competing Risk Methods in High-dimensional Settings

기술적 요약: 고차원 환경에서의 현대적 경쟁 위험 방법론에 대한 비교 검토

문제 정의
경쟁 위험 분석(Competing risk analysis)은 한 사건의 발생이 다른 사건의 발생을 배제하는, 상호 배타적인 여러 사건이 발생하는 시나리오를 다룹니다. Kaplan–Meier 추정량 및 Cox 비례 위험 모델과 같은 전통적인 생존 분석 방법들은 경쟁 사건을 독립적인 중도 절단(censoring)으로 처리함으로써, 생존 확률을 과대평가하여 이러한 설정에서 실패하는 경우가 많습니다. Proportional Cause-Specific Hazards (PCSH) 및 Proportional Subdistribution Hazards (PSDH/Fine–Gray)와 같은 통계적 접근 방식이 존재하지만, 표본 크기($n$)보다 공변량의 수($p$)가 많은 고차원 데이터에는 직접적으로 적용하기 어렵습니다. 경쟁 위험을 위한 머신러닝 접근법들이 제안되어 왔으나, 다양한 고차원 시나리오 전반에 걸쳐 이러한 방법들을(특히 패널티 회귀, 부스팅, 랜덤 포레스트, 딥러닝) 종합적으로 비교 평가한 연구는 여전히 제한적입니다.

연구 방법론
본 연구는 네 가지 범주의 경쟁 위험 방법론에 대해 광범위한 시뮬레이션 기반 비교를 수행합니다:

1. 패널티 회귀 (Penalized Regression, PR): Fine–Gray (PSDH) 모델에 LASSO, SCAD, MCP 패널티를 적용함.
2. 우도 기반 부스팅 (Likelihood-based Boosting, CB): PSDH 모델을 위한 구성 요소별 부스팅 접근 방식인 CoxBoost.
3. 랜덤 포레스트 (Random Forest, RF): Gray의 분할 규칙(splitting rule)을 사용하여 경쟁 위험에 적합하게 변형된 Random Survival Forests.
4. 딥러学习 (Deep Learning, DH): 경쟁 위험을 위한 딥 뉴럴 네트워크 프레임워크인 DeepHit.

실험 설계:

• 데이터 생성: 두 개의 경쟁 사건이 존재하는 Fine–Gray 모델을 기반으로 시뮬레이션 데이터를 생성함.
• 시나리오: 본 연구는 표본 크기($n = 200, 300, 500, 1000$), 공변량 차원($p = 24, 212, 512, 1012$), 상관 구조(독립, 교환 가능, AR(1)), 희소성 수준, 그리고 예측 모델(선형, 이차식, 상호작용)을 변화시켰음. 이는 10회의 반복 실험을 포함하여 총 672개의 고유한 시뮬레이션 시나리오를 생성함.
• 평가 지표: 성능은 다음을 사용하여 평가됨:
  • 변수 선택: 참 양성률 (True Positive Rate, TPR) 및 허위 발견율 (False Discovery Rate, FDR).
  • 추정 정확도: 베타 오차 (Beta Error, 실제 계수와 추정된 계수 간의 차이의 제곱합).
  • 판별력: 일치도 지수 (Concordance Index, $c$-index) 및 시간 의존적 곡선 아래 면적 ($AUC_t$).
  • 교정 (Calibration):* 통합 브라이어 점수 (Integrated Brier Score, $IBS_t$).
• 실제 데이터 적용: 고차원 멜라노마 유전자 발현 데이터셋($n=214, p \approx 47,000$)에 방법론들을 적용하여 실질적인 유용성을 입증함.

주요 결과

• CoxBoost (CB): 고차원 설정($p \ge n$)에서 가장 견고한 성능을 입증함. 강력한 허위 발견 제어, 안정적인 추정 정확도, 그리고 경쟁력 있는 판별 능력을 보여줌. CB는 차원이 증가하거나 상관 관계가 있는 공변량 구조 하에서도 성능을 유지함.
• 패널티 회귀 (PR): 저차원 내지 중차원 설정($n > p$)에서는 PR 방법들(특히 MCP 및 SCAD)이 CB보다 개선된 교정 성능(낮은 IBS)을 보였음. 그러나 고차원 설정에서 PR 방법들은 과도한 허위 발견과 불안정한 추정을 나타냈으며, LASSO는 비볼록(non-convex) 패널티보다 안정성은 높았으나 민감도는 낮았음.
• 랜덤 포레스트 (RF): 비선형 효과를 포착할 수 있음에도 불구하고, 현재 구현된 형태에서는 전반적으로 약한 성능을 보였음. 높은 허위 발견율을 가진 넓은 변수 집합을 식별하였으며, CB 및 PR에 비해 판별 능력이 약하게 나타남.
• 딥러닝 (DeepHit): DH는 구현된 설정에서 교정 정확도에 어려움을 겪었음. 복잡한 비선형 관계를 모델링할 수 있지만, 제한적인 교정 성능을 보였으며 시뮬레이션된 고차원 영역 내에서 CB나 PR을 능가하지 못함.
• 계산 가능성: CoxBoost는 차원에 따라 양호하게 확장됨 ($n=1000, p=1012$일 때 15분 미만 소요). PR 방법들은 매우 높은 차원에서 계산 비용이 많이 들었으며, RF 실행 시간은 $n$과 $p$ 모두에 따라 크게 증가함. DeepHit는 가장 빨랐으나 특정 구성 내에서 경쟁력이 없는 결과를 냈음.

의의 및 주장
본 논문은 고차원 설정에서 경쟁 위험 모델을 선택하기 위한 첫 번째 구조화된 비교 증거와 예비 가이드라인을 제공한다고 주장함. 저자들은 자신들의 결과가 특정 구현 및 튜닝 전략(예: 구조적으로 PR과 CB에 유리한 Fine–Gray 모델로부터 생성된 데이터)에 기반하고 있음을 강조함.

본 연구는 CoxBoost가 변수 선택, 추정 안정성 및 판별력 측면에서 견고하고 균형 잡힌 성능을 제공하므로, 고차원 경쟁 위험 데이터($p \gtrsim n$)에 권장되는 접근 방식이라고 결론지음. 패널티 회귀(특히 MCP/SCAD)는 정확한 확률 교정이 주된 목표이고 차원이 중간 정도($n > p$)일 때 선호됨. 랜덤 포레스트와 딥러닝은 이론적으로 비선형성을 다룰 수 있지만, 테스트된 고차원 영역 내에서의 현재 구현은 변수 선택 및 교정에서 더 약한 성능을 보였음.

저자들은 이 결과가 모델 불가지론적(model-agnostic) 벤치마크라기보다는 널리 사용되는 모델링 패러다임(Fine–Gray) 내에서의 비교로 해석되어야 한다고 명시적으로 밝힘. 또한 대안적인 데이터 생성 메커니즘(예: 원인 특이적 위험 또는 비비례 효과) 하에서의 강건성을 평가하고, 하이브리드 접근 방식이나 딥러닝 모델을 위한 고급 튜닝을 탐색하기 위한 향후 연구가 필요함을 언급함. 멜라노마 분석은 방법론 적용을 보여주는 예시적 사례이지 새로운 생물학적 발견의 원천이 아님을 명시함.