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

Resumo Técnico: Empilhamento de Multimodalidade com Valores Faltantes em Blocos (MSB)

Declaração do Problema
O artigo aborda três desafios concurrentes na análise de sobrevivência em oncologia clínica: alta dimensionalidade ($n \sim p$ ou $n \ll p$), proporções substanciais de dados faltantes e alta multicolinearidade dentro das fontes de dados. Especificamente, os autores focam na falta em blocos, uma questão estrutural onde modalidades de dados inteiras (fontes) estão indisponíveis para subconjuntos específicos de pacientes devido a protocolos de coleta heterogêneos em estudos multicêntricos. Abordagens padrão frequentemente dependem da exclusão em lista (excluindo pacientes com dados incompletos), o que reduz o tamanho da amostra e introduz viés sistemático, ou técnicas de imputação padrão que perdem fidelidade à medida que a dimensionalidade aumenta. Métodos existentes de aprendizado multimodal frequentemente tratam dados tabulares em uma base por característica, em vez de como modalidades unificadas, ou são modelos de aprendizado profundo que exigem tamanhos de amostra maiores do que os disponíveis em coortes clínicas típicas.

Metodologia: O Framework MSB
Os autores propõem o Empilhamento de Multimodalidade com Valores Faltantes em Blocos (MSB), um framework de meta-aprendizado de fusão tardia projetado para lidar com essas restrições sem exigir dados completos em todas as modalidades.

1. Arquitetura: O MSB desacopla a aprendizagem específica da modalidade da agregação global.

   • Aprendizes Básicos: Para cada uma das $S$ fontes de dados (modalidades), três modelos independentes são treinados: um modelo de Cox penalizado (CoxNet), uma Floresta de Sobrevivência Aleatória (RSF) e um modelo de Boosting de Gradiente por Componente (CWXGB).
   • Tratamento da Falta: O framework contabiliza explicitamente a falta em blocos. Se uma fonte estiver faltando para um paciente, o aprendiz básico correspondente a essa fonte não é aplicado.
   • Meta-Aprendiz: As saídas (escores de risco) dos aprendizes básicos são agregadas por um meta-aprendiz. Para evitar sobreajuste, o meta-aprendiz é treinado com previsões validadas cruzadas fora das dobras dos aprendizes básicos.
   • Indicadores de Falta: A taxa de falta por bloco é adicionada como uma característica ao meta-aprendiz para controlar o viés potencial, embora o estudo investigue se o modelo aprende desses padrões ou dos próprios valores dos biomarcadores.

2. Estratégias de Imputação: O artigo avalia três variações do MSB:

   • MSB$_{imp}$: Imputa os dados brutos antes de dividir em modalidades usando Vizinhos Mais Próximos (kNN).
   • MSB: Realiza a imputação nos escores de risco de sobrevivência agregados (espaço de menor dimensionalidade) antes da etapa de empilhamento.
   • MSB$_{MIA}$: Utiliza "Falta Incorporada em Atributos" (MIA) diretamente dentro de meta-aprendizes baseados em árvores (especificamente RSF), tratando a falta como uma categoria distinta sem imputação.

3. Validação: O framework foi validado usando validação cruzada de 5 dobras (repetida 3 vezes) no conjunto de dados PIONeeR. O desempenho foi medido usando o índice C (discriminação) e o Escore Brier Integrado (iBS) para calibração, com significância estatística avaliada por meio de testes de postos sinalizados de Wilcoxon pareados corrigidos para a Taxa de Descoberta Falsa (FDR).

Principais Resultados
O estudo utilizou o conjunto de dados PIONeeR ($n=443$ pacientes, 378 biomarcadores em 8 fontes heterogêneas) para prever a Sobrevivência Livre de Progressão (SLP) em pacientes com câncer de pulmão de não pequenas células (CPNPC) avançado recebendo imunoterapia.

• Desempenho Preditivo: O MSB superou consistentemente os algoritmos de base treinados nos mesmos dados (com imputação kNN).
  • Modelos Lineares: O MSB-CoxNet mostrou um aumento de 15,9% no índice C (de 0,572 para 0,663, $p < 0,001$).
  • Florestas Aleatórias: O MSB-RSF mostrou um aumento de 5,4% (de 0,647 para 0,682, $p = 0,002$).
  • Boosting de Gradiente: O MSB-CWXGB mostrou um aumento de 2,1% (de 0,678 para 0,692, $p = 0,030$).
• Generalização: Uma descoberta crítica foi a redução na lacuna de generalização (a diferença entre o desempenho de treinamento e teste). Para modelos lineares, a lacuna diminuiu de 0,380 (base) para 0,055 (MSB), indicando que o MSB atua como um regularizador eficaz contra o sobreajuste.
• Importância da Modalidade: A análise de importância por permutação identificou características clínicas de rotina (Fonte A), marcadores de biologia médica/sangue (Fonte B) e expressão de PD-L1 (Fonte E) como os principais condutores preditivos.
• Viés de Falta: Os indicadores de bloco faltante mostraram importância negligenciável. Isso sugere que o modelo aprende dos valores reais dos biomarcadores e não dos padrões de disponibilidade de dados, aliviando preocupações de que o modelo está meramente distinguindo entre pacientes de diferentes centros clínicos (por exemplo, APHM versus outros) com base em dados faltantes.

Significância e Alegações
Os autores afirmam que o MSB fornece um framework validado estatisticamente para previsão de sobrevivência multimodal na presença de falta em blocos. Sua significância primária reside em:

1. Tratamento da Esparsidade Estrutural: Permite a avaliação sistemática de biomarcadores sem exigir dados completos em todas as modalidades, evitando a redução do tamanho da amostra associada à exclusão em lista.
2. Robustez em Coortes Pequenas: Ao decompor o espaço de características de alta dimensionalidade em subproblemas específicos da modalidade e agregar escores de risco, o MSB mitiga a "maldição da dimensionalidade" e o sobreajuste, tornando-o adequado para coortes clínicas onde $n \ll p$.
3. Aplicabilidade Prática: O framework oferece uma ferramenta para modelagem preditiva em estudos multicêntricos onde a disponibilidade de dados varia por local ou protocolo.

Limitações e Escopo
O artigo mantém uma postura modesta em relação às suas alegações:

• Falta de Validação Externa: Todos os resultados são derivados de uma única coorte (PIONeeR, 17 centros franceses). Os autores afirmam explicitamente que o MSB deve ser considerado um framework metodológico para pesquisa de biomarcadores aguardando validação externa em coortes internacionais independentes.
• Especificidade do Desfecho: O estudo focou na Sobrevivência Livre de Progressão (SLP) e não se estendeu a riscos competitivos ou modelos de fração de cura, embora observem esses tópicos como direções futuras potenciais.
• Estratégia de Imputação: Embora a imputação kNN tenha sido usada por sua eficiência computacional e estabilidade, os autores reconhecem que estratégias de imputação mais complexas podem existir, mas não foram perseguidas devido às diferenças mínimas de desempenho observadas entre as variações do MSB ($\Delta$índice C < 0,01).

A implementação do framework MSB está disponível sob uma licença do Inria.