K-Survival Means

Technische Samenvatting: K-Survival Means (K-SurvMeans)

Probleemstelling
Overlevingsanalyse (survival analysis) is cruciaal voor het modelleren van tijd-tot-gebeurtenis data in velden zoals de gezondheidszorg, voorspellend onderhoud en risicobeoordeling. Een fundamentele uitdaging in dit domein is patiëntstratificatie: het identificeren van subgroepen met afwijkende risicoprofielen om gepersonaliseerde interventies te ondersteunen. Hoewel clusteringtechnieken natuurlijke kandidaten zijn voor het ontdekken van dergelijke subgroepen, werken conventionele algoritmen zoals K-Means uitsluitend op de input-kenmerkruimte (feature space). Zij zoeken groepen observaties die vergelijkbaar zijn in de kenmerkruimte, maar houden tijdens het optimalisatieproces geen expliciete rekening met overlevingsuitkomsten (tijd-tot-gebeurtenis en censureringstatus). Bijgevolg kunnen door standaardmethoden gegenereerde clusters vergelijkbare overlevingsverdelingen vertonen, wat hun nut voor risicostratificatie beperkt. Hoewel deep learning-benaderingen (bijv. SCA, VaDeSC) zijn ontwikkeld om latente representaties en overlevingsdoelstellingen gezamenlijk te leren, introduceren zij vaak aanzienlijke modelcomplexiteit, vereisen zij grote datasets en behoeven zij uitgebreide hyperparameterinstellingen. Traditionele clusteringalgoritmen blijven onderbelicht in de context van overlevingsdata, ondanks hun eenvoud en interpreteerbaarheid.

Methodologie
Het artikel stelt K-SurvMeans voor, een nieuwe uitbreiding van het K-Means-algoritme die specifiek is ontworpen voor clustering van overlevingsdata. De kerninnovatie is de expliciete integratie van overlevingsuitkomsten in de clustering-doelfunctie om de paarwijze verschillen in overleving tussen clusters te maximaliseren.

• Doelfunctie: In tegenstelling tot standaard K-Means, dat de intra-cluster variantie minimaliseert, definieert K-SurvMeans een verliesfunctie gebaseerd op de log-rank test. Voor een set van $k$ clustercentra wijst het algoritme observaties toe aan het dichtstbijzijnde centrum en berekent het de log-rank statistiek ($\chi^2_{ij}$) en p-waarde ($p_{ij}$) voor elk paar clusters. Het doel is om de som van de log-rank statistieken te maximaliseren voor paren die statistisch significant zijn (onder een drempelwaarde $\alpha$). De verliesfunctie wordt als volgt geformuleerd:
  $$L(C; X, k) = - \left( \sum_{0 \le i < j \le k-1} \mathbb{1}(p_{ij} < \alpha) \right) \left( \sum_{0 \le i < j \le k-1} \chi^2_{ij} \right)$$
  Het doel is om clustercentra $C^*$ te vinden die deze verliesfunctie minimaliseren.

• Optimalisatie: Omdat de doelfunctie die de log-rank test en indicatorfuncties bevat niet-differentieerbaar is, maken de auteurs gebruik van Particle Swarm Optimization (PSO). In dit kader vertegenwoordigt elk deeltje (particle) een kandidaatoplossing die is gecodeerd als de concatenatie van de coördinaten van alle $k$ clustercentra. Deeltjes updaten iteratief hun posities op basis van persoonlijke en globale beste fitness-scores, waarbij de fitness wordt bepaald door de waarde van de doelfunctie.

• Dimensiereductie: Om de "vloek van dimensionaliteit" te verzachten en de efficiëntie van de optimalisatie te verbeteren, wordt de methode uitgebreid om te opereren in een geleerde laagdimensionale latente ruimte. Een dimensiereductiefunctie $f_\theta$ (bijv. PCA) brengt de oorspronkelijke hoogdimensionale input naar een lagerdimensionale ruimte $z$. De clustering-optimalisatie wordt vervolgens uitgevoerd op deze latente representaties. In de huidige formulering wordt de encoder onafhankelijk van de clusteringloop geleerd (vastgesteld tijdens de optimalisatie), hoewel de auteurs opmerken dat gezamenlijk leren een potentiële toekomstige richting is.

Belangrijkste Bijdragen

1. Algoritmische Uitbreiding: De introductie van K-SurvMeans, die het centroid-gebaseerde K-Means-raamwerk aanpast aan overlevingsanalyse door de Euclidische afstand-doelstelling te vervangen door een overlevingsgestuurde log-rank doelstelling.
2. Optimalisatiestrategie: De toepassing van Particle Swarm Optimization om het niet-differentieerbare clusteringprobleem op te lossen, waardoor directe maximalisatie van overlevingsscheiding mogelijk is zonder dat gradiëntgebaseerde backpropagation vereist is.
3. Integratie van Latente Ruimte: Een raamwerk dat dimensiereductie combineert met overlevingsclustering om hoogdimensionale data te verwerken en de complexiteit van de zoekruimte te verminderen.
4. Benchmarking: Een uitgebreide evaluatie tegen zowel traditionele baselines (K-Means met/zonder PCA) als state-of-the-art deep learning methoden (SCA en VaDeSC) over meerdere publieke overlevingsdatasets.

Resultaten
Experimenten werden uitgevoerd op vier publiekelijk beschikbare benchmark-datasets (FLCHAIN, SUPPORT, METABRIC, NWTCO). De evaluatiemetriek is het percentage paarwijze significante verschillen (gebaseerd op de log-rank test) over alle clusterparen.

• Prestaties: K-SurvMeans, met name de variant die opereert in de latente ruimte (K-SurvMeans(Latent)), behaalde consistent het hoogste percentage significante paarwijze verschillen vergeleken met alle andere methoden. Het slaagde erin clusters te identificeren met duidelijke overlevingsverdelingen.
• Clustergranulariteit: Hoewel deep learning-methoden (SCA, VaDeSC) vaak een groter aantal clusters identificeerden, vertoonden deze clusters frequent een zwakkere overlevingsscheiding (lagere percentages significante verschillen). In contrast hiermee balanceerde K-SurvMeans(Latent) de ontdekking van een groter aantal clusters met een hoge overlevingsscheiding, wat suggereert dat het fijnere, klinisch relevante subgroepen vastlegt.
• Baseline Vergelijking: Standaard K-Means en K-Means(Latent) behaalden relatief hoge scheidingspercentages, maar hadden de neiging om minder clusters te produceren, waardoor ze minder populatieheterogeniteit vastlegden dan de voorgestelde methode.
• Visualisatie: Kaplan-Meier overlevingscurves toonden aan dat de door K-SurvMeans(Latent) gevonden clusters een duidelijke scheiding vertoonden met beperkte overlap, waarmee zij de deep learning-baselines overtroffen wat betreft onderscheidende overlevingsprofielen.

Betekenis en Claims
Het artikel beweert dat K-SurvMeans een overtuigend alternatief biedt voor complexe deep learning-modellen voor overlevingsclustering. Door expliciet te optimaliseren voor overlevingsscheiding, produceert de methode clusters die nuttiger zijn voor risicostratificatie en besluitvorming. De auteurs benadrukken dat de methode de eenvoud en interpreteerbaarheid van centroid-gebaseerde clustering behoudt terwijl zij effectief overlevingsinformatie incorporeert.

De auteurs erkennen bescheiden de beperkingen, specifiek de schaalbaarheid van de methode naar zeer hoge dimensies en een groot aantal clusters, wat zij aanpakken via dimensiereductie. Zij merken ook op dat, in tegen tegenstelling tot SCA en VaDeSC, K-SurvMeans zich momenteel richt op clustering en niet op het voorspellen van geïndividualiseerde overlevingscurves. Toekomstig werk is gepland om embedding learning direct in het optimalisatieproces te integreren en om de methode uit te breiden naar het voorspellen van geïndividualiseerde overlevingscurves. De volledige implementatie is beschikbaar op GitHub om reproduceerbaarheid te faciliteren.