Multimodality Stacking with Blockwise missing values and application to the PIONeeR biomarkers study for prediction of resistance to immunotherapy

Technische Samenvatting: Multimodaliteit Stacking met Blokgewijze Ontbrekende Waarden (MSB)

Probleemstelling
Het artikel adresseert drie gelijktijdige uitdagingen in de klinische oncologische overlevingsanalyse: hoge dimensionaliteit ($n \sim p$ of $n \ll p$), aanzienlijke proportions van ontbrekende data, en hoge multicollineariteit binnen databronnen. Specifiek richten de auteurs zich op blokgewijze missingness, een structureel probleem waarbij volledige datamodaliteiten (bronnen) ontbreken voor specifieke patiëntsubgroepen als gevolg van heterogene verzamelprotocollen in multicenterstudies. Standaardbenaderingen vertrouwen vaak op lijstgewijze verwijdering (uitsluiten van patiënten met onvolledige data), wat de steekproefomvang verkleint en systematische bias introduceert, of op standaard imputatietechnieken die in betrouwbaarheid afnemen naarmate de dimensionaliteit toeneemt. Bestaande methoden voor multimodaal leren behandelen tabulaire data vaak per kenmerk in plaats van als geïntegreerde modaliteiten, of het zijn deep learning-modellen die steekproefgroottes vereisen die groter zijn dan die beschikbaar zijn in typische klinische cohorten.

Methodologie: Het MSB-Frame
De auteurs stellen Multimodality Stacking with Blockwise missing values (MSB) voor, een late-fusion meta-learning-frame dat is ontworpen om met deze beperkingen om te gaan zonder volledige data over alle modaliteiten te vereisen.

1. Architectuur: MSB ontkoppelt modaliteitsspecifiek leren van globale aggregatie.

   • Basislearners: Voor elk van de $S$ databronnen (modaliteiten) worden drie onafhankelijke modellen getraind: een gepenaliseerd Cox-model (CoxNet), een Random Survival Forest (RSF) en een Component-wise Gradient Boosting-model (CWXGB).
   • Omgaan met missingness: Het frame houdt expliciet rekening met blokgewijze missingness. Als een bron ontbreekt voor een patiënt, wordt de corresponderende basislearner voor die bron niet toegepast.
   • Meta-learner: De outputs (risicoscores) van de basislearners worden geaggregeerd door een meta-learner. Om overfitting te voorkomen, wordt de meta-learner getraind op out-of-fold cross-validated voorspellingen van de basislearners.
   • Missingness-indicatoren: Het percentage missingness per blok wordt toegevoegd als een kenmerk aan de meta-learner om potentiële bias te controleren, hoewel de studie onderzoekt of het model leert van deze patronen of van de biomarkerwaarden zelf.

2. Imputatiestrategieën: Het artikel evalueert drie variaties van MSB:

   • MSB$_{imp}$: Imputeert ruwe data voordat deze wordt opgesplitst in modaliteiten met behulp van k-Nearest Neighbors (kNN).
   • MSB: Voert imputatie uit op de geaggregeerde overlevingsrisicoscores (ruimtelijker met lagere dimensionaliteit) voordat de stacking-stap plaatsvindt.
   • MSB$_{MIA}$: Gebruikt "Missing Incorporated in Attributes" (MIA) direct binnen boomgebaseerde meta-learners (specifiek RSF), waarbij missingness wordt behandeld als een distincte categorie zonder imputatie.

3. Validatie: Het frame is gevalideerd met 5-voudige cross-validatie (3 keer herhaald) op de PIONeeR-dataset. De prestaties werden gemeten met de C-index (discriminatie) en de Integrated Brier Score (iBS) voor kalibratie, met statistische significantie beoordeeld via gepaarde Wilcoxon-signed-ranktests gecorrigeerd voor False Discovery Rate (FDR).

Belangrijkste Resultaten
De studie gebruikte de PIONeeR-dataset ($n=443$ patiënten, 378 biomarkers over 8 heterogene bronnen) om Progression-Free Survival (PFS) te voorspellen bij patiënten met gevorderde niet-kleincellige longkanker (NSCLC) die immunotherapie kregen.

• Voorspellende prestaties: MSB presteerde consistent beter dan baseline-algoritmes getraind op dezelfde data (met kNN-imputatie).
  • Lineaire modellen: MSB-CoxNet toonde een toename van 15,9% in de C-index (van 0,572 naar 0,663, $p < 0,001$).
  • Random Forests: MSB-RSF toonde een toename van 5,4% (van 0,647 naar 0,682, $p = 0,002$).
  • Gradient Boosting: MSB-CWXGB toonde een toename van 2,1% (van 0,678 naar 0,692, $p = 0,030$).
• Generalisatie: Een cruciale bevinding was de verkleining van de generalisatiekloof (het verschil tussen trainings- en testprestaties). Voor lineaire modellen nam de kloof af van 0,380 (baseline) naar 0,055 (MSB), wat aangeeft dat MSB fungeert als een effectieve regularisator tegen overfitting.
• Modaliteitsbelang: Permutatiebelang-analyse identificeerde routine klinische kenmerken (Bron A), medische biologie/bloedmarkers (Bron B) en PD-L1-expressie (Bron E) als de primaire voorspellende drijfveren.
• Missingness-bias: De ontbrekende blokindicatoren toonden verwaarloosbaar belang. Dit suggereert dat het model leert van de daadwerkelijke biomarkerwaarden in plaats van van patronen in de data-beschikbaarheid, wat zorgen wegneemt dat het model patiënten van verschillende klinische centra (bijv. APHM versus anderen) slechts onderscheidt op basis van ontbrekende data.

Betekenis en Claims
De auteurs claimen dat MSB een statistisch gevalideerd frame biedt voor multimodale overlevingsvoorspelling in aanwezigheid van blokgewijze missingness. De primaire betekenis ligt in:

1. Omgaan met structurele sparsiteit: Het maakt systematische biomarker-evaluatie mogelijk zonder volledige data over alle modaliteiten te vereisen, waardoor de verkleining van de steekproefomvang die gepaard gaat met lijstgewijze verwijdering wordt vermeden.
2. Robuustheid in kleine cohorten: Door de hoge-dimensionale kenmerkruimte te decomponeren in modaliteitsspecifieke subproblemen en risicoscores te aggregeren, mitigeert MSB de "vloek van de dimensionaliteit" en overfitting, waardoor het geschikt is voor klinische cohorten waar $n \ll p$.
3. Praktische toepasbaarheid: Het frame biedt een hulpmiddel voor voorspellende modellering in multicenterstudies waar de data-beschikbaarheid varieert per locatie of protocol.

Beperkingen en Scope
Het artikel behoudt een bescheiden houding ten opzichte van zijn claims:

• Gebrek aan externe validatie: Alle resultaten zijn afgeleid van één enkel cohort (PIONeeR, 17 Franse centra). De auteurs stellen expliciet dat MSB moet worden beschouwd als een methodologisch frame voor biomarkeronderzoek in afwachting van externe validatie in onafhankelijke internationale cohorten.
• Endpoint-specifiek: De studie richtte zich op Progression-Free Survival (PFS) en breidde niet uit tot concurrerende risico's of genezingsfractie-modellen, hoewel ze deze noemen als potentiële toekomstige richtingen.
• Imputatiestrategie: Hoewel kNN-imputatie werd gebruikt vanwege zijn computationele efficiëntie en stabiliteit, erkennen de auteurs dat complexere imputatiestrategieën mogelijk zijn, maar deze niet werden nagestreefd vanwege de minimale prestatieverschillen tussen MSB-varianten ($\Delta$C-index < 0,01).

De implementatie van het MSB-frame is beschikbaar gesteld onder een Inria-licentie.