Comparative Review of Modern Competing Risk Methods in High-dimensional Settings
Deze studie biedt een uitgebreide vergelijkende evaluatie van gepenaliseerde regressie, boosting, random forest en deep learning-methoden voor hoogdimensionale concurrerende risicoanalyse, waarbij wordt onthuld dat CoxBoost superieure controle over foutontdekking en stabiliteit biedt, terwijl de specifieke sterktes en beperkingen van andere benaderingen op het gebied van variabele selectie, nauwkeurigheid en kalibratie worden belicht.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een rechercheur bent die probeert te voorspellen wanneer een verdachte gepakt zal worden. In de wereld van de geneeskunde en techniek is deze "verdachte" een patiënt of een machine, en het "gepakt worden" is een gebeurtenis zoals het terugkeren van een ziekte of het breken van een onderdeel. Meestal houden rechercheurs slechts één specifieke uitkomst in de gaten. Maar in het echte leven is het rommeliger. Een patiënt kan overlijden aan een hartaanval voordat de kanker terugkeert, of een machine kan wegroesten voordat een tandwiel breekt. Dit zijn "concurrerende risico's" (competing risks): verschillende manieren waarop een gebeurtenis kan plaatsvinden die elkaar in de weg zitten. Als je de hartaanval negeert en alleen naar de kanker kijkt, zou je kunnen denken dat de kanker gevaarlijker is dan ze in werkelijkheid is, omdat je vergeten bent dat de hartaanval de tijd van de patiënt heeft "gestolen".
Om dit mysterie op te lossen, gebruiken wetenschappers speciale wiskundige hulpmiddelen die "overlevingsanalyse" (survival analysis) worden genoemd. Maar wat als je een enorme stapel aanwijzingen hebt — zoals duizenden genen of sensoren — in plaats van slechts een paar? Dit is het "hoog-dimensionale" probleem. Het is alsof je probeert een enkele naald in een hooiberg te vinden, behalve dat de hooiberg miljoenen naalden heeft en je niet weet welke ervan echte aanwijzingen zijn en welke gewoon hooi zijn. Onderzoekers hebben veel verschillende "detectie-kits" (statistische methoden) gebouwd om dit soort situaties aan te pakken, maar ze hebben ze niet echt allemaal tegen elkaar getest in deze rommelige, overvolle situaties. Dit artikel stapt in om die kits op de proef te stellen, door duizenden gesimuleerde gevallen te draaien om te zien welke detective werkelijk de scherpste is.
De auteurs van deze studie richtten een gigantisch digitaal laboratorium in om vier hoofdtypen detectie-kits te vergelijken: Penalized Regression (een methode die probeert de lijst met verdachten in te krimpen tot de meest waarschijnlijke), Boosting (een techniek die stap voor stap een model bouwt en leert van zijn fouten), Random Forest (een team van beslissingsbomen die stemmen over het antwoord) en Deep Learning (een complex neuraal netwerk dat probeert het menselijk brein na te bootsen). Ze creëerden 672 verschillende scenario's, waarbij ze het aantal patiënten, het aantal aanwijzingen, hoe de aanwijzingen met elkaar verbonden waren en hoe lastig de patronen waren, veranderden. Vervolgens keken ze hoe goed elke methode erin slaagde om de ware aanwijzingen te selecteren, het juiste risico in te schatten en de toekomst te voorspellen zonder in de war te raken.
Dit is wat ze in hun simulaties vonden. De Boosting-methode (specifiek genoemd CoxBoost) bleek de meest betrouwbare detective in de overvolle kamers te zijn. Wanneer er duizenden aanwijzingen waren en minder patiënten, was het de beste in het laag houden van "vals alarm". Het liet zich niet afleiden door het hooi; het hield zich aan de echte naalden. Het deed ook een geweldig werk bij het rangschikken van patiënten op basis van risico, waardoor duidelijk werd wie het meest waarschijnlijk als eerste een gebeurtenis zou ervaren.
Aan de andere kant waren de Penalized Regression-methoden (zoals LASSO, SCAD en MCP) erg goed wanneer de kamer niet te vol was (wanneer er meer patiënten waren dan aanwijzingen). Ze waren uitstekend in het geven van zeer nauwkeurige waarschijnlijkheidsgetallen, waardoor ze precies konden zeggen hoe waarschijnlijk een gebeurtenis was. Echter, wanneer de kamer te vol raakte met aanwijzingen, begonnen ze een beetje nerveus te worden; ze kozen soms te veel valse sporen of werden instabiel.
De Random Forest en Deep Learning-methoden waren de wildcards. Ze staan bekend om het vinden van complexe, niet-lineaire patronen — zoals beseffen dat een aanwijzing alleen belangrijk is als er twee andere aanwijzingen tegelijkerteld aanwezig zijn. Hoewel ze krachtig zijn, hadden ze het in deze specifieke test wat moeilijker. Random Forest had de neiging om veel te veel verdachten te kiezen, wat het moeilijk maakte om te weten welke eigenlijk belangrijk waren. Deep Learning was snel, maar gaf vaak slechte waarschijnlijkheidschattingen, wat betekende dat het slecht was in het onderscheiden van "er is een kans van 30%" versus "er is een kans van 70%".
Om te bewijzen dat deze methoden in de echte wereld werkten, testte het team ze ook op een dataset van 214 melanoma-patiënten (huidkanker) met meer dan 47.000 genetische aanwijzingen. De Boosting-methode koos slechts één gen, terwijl Random Forest er meer dan 1.200 koos. Interessant genoeg vonden beide methoden genen die wetenschappers al kennen als zijnde gelinkt aan melanoma, maar de Boosting-methode was veel gerichter, terwijl Random Forest een zeer breed net uitwierp.
De kern van dit onderzoek is dat er geen enkele "perfecte" detective is voor elke plaats delict. Als je te maken hebt met een enorme hoeveelheid data en wilt weten wie het hoogste risico loopt zonder vals alarm, dan lijkt de Boosting-methode de meest robuuste keuze. Als je een kleinere dataset hebt en nauwkeurige waarschijnlijkheidsgetallen nodig hebt, kunnen de Penalized Regression-methoden beter zijn. En hoewel de fancy AI en boom-gebaseerde methoden geweldig zijn in het vinden van complexe patronen, moeten ze misschien meer worden afgesteld en grotere datasets hebben om even helder te schijnen als de meer traditionele, gestructureerde benaderingen in deze situaties met hoge inzet en veel aanwijzingen. De auteurs suggereren dat het kiezen van het juiste instrument volledig afhangt van de omvang van je data en wat je eruit wilt halen: een korte lijst met verdachten, een precieze waarschijnlijkheid, of een diep begrip van complexe interacties.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.