Neural Networks for net survival estimation and prediction

기술 요약: 순 생존율 추정 및 예측을 위한 신경망

문제 정의
순 생존율(Net survival)은 암이 유일한 사망 원인이라고 가정하는 반사실적 세계에서의 생존 확률을 나타내는 종양학의 핵심 지표이다. 이 지표를 통해 기대 수명이 서로 다른 인구 집단 간의 암 관련 사망률을 비교할 수 있다. Pohar-Perme(PP) 추정기와 같은 비모수적 추정치는 편향되지 않지만, 다수의 공변량을 조정할 때 통계적 검정력을 유지하기 위해 대규모 표본 크기를 요구하며 층화 분석에 국한된다는 한계가 있다. 반면, 매개변수 및 준매개변수 방식의 초과 위험 회귀(예: 스플라인 기반 모델)는 유연성을 제공하지만, 비례 위험(PH) 및 로그 선형성(log-linearity)과 같은 가정을 전제로 한다. 이러한 가정의 위반이나 중요한 상호작용의 누락은 모델 오설정(misspecification)과 편향된 추정치를 초래할 수 있다. 현재의 관행은 이러한 위반을 피하기 위해 복잡한 층화 분석을 포함하는 경우가 많으며, 이는 각 분석의 유효 표본 크기를 감소시킨다.

방법론
저자들은 본래 전체 생존 예측을 위해 개발된 부분 로지스틱 인공 신경망(Partial Logistic Artificial Neural Network, PLANN)을 순 생존율 추정 및 예측에 맞게 변형한 머신러닝 접근법을 제안한다.

• PLANN 변형: 이 방법은 시간을 구간 $\tau_l$로 이산화한다. 이 모델은 이전 구간까지 생존했을 때 해당 구간에서 사망할 조건부 확률을 하나의 은닉층과 로지스틱 활성화 함수를 가진 신경망을 사용하여 모델링한다. 네트워크의 입력값에는 시간 구간과 설명 변수($Z_i$)가 포함된다.
• 초과 위험 분해: 모델은 전체 생존율($\hat{S}_{oi}$)을 추정하고 전체 위험(overall hazard)을 도출한다. 개별 초과 위험($\hat{\lambda}_{ei}$)은 추정된 전체 위험에서 인구 위험(연령, 성별, 기간에 따른 생명표로부터 도출됨)을 차감하여 계산된다.
• 순 생존율 계산: 개별 초과 위험을 적분하여 개별 순 생존율을 계산한다. 가중치를 적용하여 한계 순 생존율(marginal net survival)을 도출한다.
• 비교 프레임워크: 본 연구는 PLANN을 다음 모델들과 비교한다:
  1. 비모수적 PP 추정기: 참조 표준(reference standard).
  2. 스플라인 기반 초과 위험 회귀: 제한적 삼차 스플라인(RCS)을 사용한 비례 위험(PH) 및 비례 위험이 아닌(NPH) 모델.
• 검증 전략: 성능은 광범한 시뮬레이션(표본 크기, PH/NPH 가정, 상호작용 변화)과 슬로베니아의 대장암 코호트를 이용한 실제 적용을 통해 평가되었다. 측정 지표로는 편향(bias), 평균 제곱근 오차(RMSE), 로그 가능도(Log-Likelihood), 그리고 순 ROC 곡선 하 면적(AUC)이 사용되었다. PLANN의 하이퍼파라미터(은닉 노드, 감쇠, 시간 구간)는 10-겹 교차 검증을 통해 최적화되었다.

주요 기여

1. 알고리즘 변형: 엄격한 매개변수적 가정(위험 비례성 또는 선형성) 없이도 초과 위험을 추정할 수 있도록 PLANN을 순 생존율 추정에 성공적으로 적용하였다.
2. 소프트웨어 개발: 알고리즘 학습, 교차 검증, 전체 생존 및 순 생존 예측을 용이하게 하는 survivalPLANN R 패키지를 도입하였다.
3. 포괄적 평가: 신경망이 명시적으로 지정되지 않을 경우 전통적인 스플라인 기반 모델이 놓칠 수 있는 복잡한 데이터 구조(비례 위험이 아닌 위험 및 상호작용)를 포착할 수 있음을 입증하는 엄격한 비교를 수행하였다.

결과

• 편향 및 정확도: 시뮬레이션 연구에서 PLANN은 비례 위험이 아닌 상황이나 복잡한 상호작용 시나리오에서도 PP 추정기 및 유연한 스플라인 기반 모델과 유사하게 낮은 편향을 나타냈다. 표준 PH 모델은 이러한 상황에서 크게 실패했다.
• 분산 및 RMSE: 모든 시뮬레이션과 실제 적용에서 일관되게 나타난 결과는 PLANN이 스플라인 기반 방법보다 약간 높은 RMSE 값을 보였다는 점이다. 이는 신경망 추정치의 분산이 더 높음을 의미한다.
• 표본 크기 민감도: 분산 문제는 작은 표본 크기(예: $n=500$)에서 더욱 심화되었다. 스플라인 기반 모델은 데이터가 줄어들어도 비교적 안정적인 성능을 유지한 반면, PLANN은 RMSE가 더 빠르게 증가하고 과적합 징후(검증 AUC보다 높은 훈련 AUC)를 보였다.
• 실제 적용: 5,971명의 슬로베니아 대장암 환자 분석에서 PLANN의 예측값은 PP 추정치와 밀접하게 일치하였으며, 특히 하위 그룹에서 스플라인 기반 모델보다 참조 표준에 더 가까운 경우가 많았다. 그러나 PLANN의 예측은 더 넓은 신뢰 구간을 나타냈다.
• 판별력: 실제 적용에서 PLANN은 스플라인 기반 모델에 비해 낮은 판별 능력(AUC)을 보였는데, 이는 시뮬레이션 결과(AUC가 대체로 유사함)와 대조적이다.

의의 및 주장
본 논문은 PLANN이 복잡한 데이터 구조(비례 위험이 아닌 위험 또는 상호작용 포함)를 가진 경우, 특히 층화 분석으로 인한 검정력 손실을 피하고자 할 때 유용한 유연한 대안이 될 수 있다고 주장한다. 저자들은 위험 비례성이나 로그 선형성에 대한 가정을 완화할 수 있는 능력이 이 방법의 주요 장점임을 강조한다.

그러나 저자들은 이 방법의 한계에 대해 신중한 입장을 유지한다. 그들은 머신러닝 기반 추정치의 높은 분산이 전통적인 모델 기반 접근법에 비해 표본 크기가 작은 연구에서 활용도를 제한할 수 있다고 명시적으로 밝히고 있다. 결론적으로, PL-ANN은 추정 및 예측에 효과적이지만, 적용 시 표본 크기 제약을 고려해야 하며, 복잡한 상호작용이 예상되지만 매개변수적으로 모델링하기 어려운 고해상도 코호트 및 다중 양식(multi-modal) 데이터에 특히 적합하다. 저자들은 PLANN이 모든 맥락에서 기존 방법을 대체한다고 주장하는 것이 아니라, 모델 오설정이 주요 우려 사항인 시나리오를 위한 보완적인 도구를 제공한다고 보고 있다.