Resumo Técnico: Evolução de Recursos vs. Evolução de Árvores Integrais com GP para Análise de Sobrevivência Interpretável

1. Declaração do Problema

A análise de sobrevivência visa prever o tempo até a ocorrência de um evento específico, uma tarefa crítica em domínios médicos. Um grande desafio é lidar com dados censurados (pacientes que não experimentam o evento durante o estudo) enquanto se equilibra a precisão preditiva com a interpretabilidade.

Embora as árvores de sobrevivência ofereçam interpretabilidade inerente ao particionar recursivamente coortes de pacientes, elas enfrentam duas limitações primárias:

1. Compromisso entre Complexidade e Interpretabilidade: Para capturar relações não lineares complexas e interações entre covariáveis, as árvores de sobrevivência frequentemente precisam crescer profundamente, o que compromete sua interpretabilidade e aumenta os riscos de sobreajuste.
2. Limitações da Indução Gulosa: A indução clássica de árvores de sobrevivência utiliza abordagens gananciosas e de cima para baixo que selecionam a divisão localmente ótima em cada nó. Isso frequentemente ignora combinações de divisões globalmente ótimas, particularmente quando a estrutura real dos dados requer combinações específicas não lineares de recursos (por exemplo, interações tipo XOR) que não podem ser capturadas por divisões univariadas simples.

Abordagens existentes de aprendizado profundo (por exemplo, DeepSurv) alcançam alta precisão, mas carecem de interpretabilidade e frequentemente dependem da suposição restritiva de riscos proporcionais de Cox. Por outro lado, métodos de regressão simbólica como o CoxKAN aproximam redes neurais, mas permanecem vinculados à suposição de riscos proporcionais e não otimizam diretamente para previsão de sobrevivência.

2. Metodologia

Os autores propõem e comparam estratégias para aprimorar árvores de sobrevivência rasas usando Programação Genética (GP), especificamente o algoritmo multi-objetivo GP-GOMEA. O trabalho estende o framework PISA (Pipeline for Interpretable Survival Analysis).

2.1 Abordagens Principais

O estudo investiga três estratégias distintas de aprendizado de árvores de sobrevivência, todas avaliadas sob um framework de otimização multi-objetivo (equilibrando o Escore Brier Integrado [IBS] e a complexidade do modelo):

1. Árvore de Sobrevivência Gulosa (Greedy ST) com Recursos Construídos por GP (GFC):

   • GP é usado para evoluir um conjunto de recursos não lineares (expressões simbólicas).
   • Esses recursos são alimentados em um algoritmo padrão de indução de árvore gulosa.
   • Numérico vs. Binário: O sistema testa a evolução de recursos numéricos (onde a árvore encontra localmente os limiares) e recursos binários (onde a própria expressão GP representa uma divisão, por exemplo, $x < t$).
   • Nota: Nesta configuração, a construção de recursos e a indução da árvore são etapas separadas.

2. Árvore de Sobrevivência Ótima (Optimal ST) com GFC:

   • Utiliza programação dinâmica para encontrar estruturas de árvores provadamente ótimas dado um conjunto de recursos de entrada binários.
   • Recursos evoluídos por GP são restritos a ser binários (incorporando tanto a transformação da covariável quanto o limiar).
   • A seleção de divisão maximiza a verossimilhança parcial baseada no modelo de Riscos Proporcionais de Cox.

3. Árvore de Sobrevivência Evolutiva (Evolutionary ST):

   • Uma abordagem inovadora onde a estrutura inteira da árvore de sobrevivência e a lógica de divisão são evolutivamente conjuntas dentro de uma única população GP.
   • Representação: Utiliza uma representação multi-árvore onde cada árvore GP corresponde a um nó específico na árvore de sobrevivência (atribuída em ordem de nível).
   • Restrições: Cada árvore GP é restrita a produzir uma decisão binária (capturando o recurso e o limiar simultaneamente).
   • Aprimoramentos: Os autores introduzem a troca de árvores GP (variando a ordem das árvores no genótipo) e uma estratégia única de inicialização de estratificação de pacientes para garantir diversidade na população inicial e evitar indivíduos redundantes.

2.2 Aptidão e Avaliação

• Objetivos: Minimizar o Escore Brier Integrado (IBS) e minimizar a complexidade (tamanho) dos recursos/árvore.
• Cálculo de Complexidade:
  • Para abordagens GFC: A soma dos tamanhos dos recursos únicos utilizados. Recursos reutilizados são contados uma única vez.
  • Para Árvore de Sobrevivência Evolutiva: Cada reutilização de um recurso é contada individualmente, pois a própria estrutura da árvore faz parte da otimização.
• Conjuntos de Dados:
  • Problema XOR Sintético: Projetado para testar a capacidade de capturar interações não lineares onde divisões paralelas aos eixos falham.
  • GBSG: Dados de sobrevivência de câncer de mama com linfonodos positivos (validação interna e externa).
  • METABRIC: Dados de taxonomia molecular de câncer de mama (validação interna e externa).
• Baselines: Comparado contra DeepSurv, CoxKAN, Foresta de Sobrevivência Aleatória (RSF) e estimadores padrão de Kaplan-Meier.

3. Principais Descobertas

3.1 Dados Sintéticos (Problema XOR)

• Árvores gulosas padrão com recursos originais falharam em modelar a verdade fundamental.
• Árvores gulosas com recursos numéricos corretos pré-fornecidos ainda falharam porque o algoritmo guloso selecionou divisões de raiz subótimas baseadas no ganho imediato.
• Condição de Sucesso: A verdade fundamental foi recuperada apenas quando a árvore gulosa foi fornecida com os indicadores binários corretos (o resultado da interação não linear) ou ao usar Árvore Ótima (Optimal ST) ou Árvore Evolutiva (Evolutionary ST).
• Isso demonstra que, para interações complexas, ou os recursos devem ser pré-construídos para incluir a lógica de interação, ou a indução da árvore deve ser não gulosa.

3.2 Benchmarks Clínicos (GBSG & METABRIC)

• Desempenho: Árvores de sobrevivência usando recursos evoluídos (GFC) superaram significativamente as baselines usando recursos originais.
  • Árvores de Profundidade 3: Árvores Gulosas aprimoradas com GFC e Árvores Evolutivas alcançaram pontuações de C-índice comparáveis ao estado da arte DeepSurv e CoxKAN, sem depender da suposição de riscos proporcionais.
  • Árvore Ótima: Desempenhou bem, mas foi computacionalmente mais cara que a Árvore Evolutiva em algumas configurações.
• Construção de Recursos:
  • Surpreendentemente, para dados clínicos, Árvores Gulosas GFC usando apenas operadores numéricos performaram na par com aquelas usando operadores binários. Isso sugere que, para esses conjuntos de dados específicos, interações binárias complexas não eram estritamente necessárias para alto desempenho, ao contrário do caso sintético XOR.
  • Recursos numéricos permitiram que o algoritmo guloso buscasse localmente limiares ótimos, fornecendo mais poder expressivo do que forçar divisões binárias na etapa GP.
• Vantagens da Árvore Evolutiva:
  • Eficiência Computacional: A Árvore Evolutiva foi a mais rápida para treinar (45 minutos para profundidade 3 em um núcleo) em comparação com GFC-Gulosa (19 horas) porque evita o procedimento de construção de árvore exógeno.
  • Otimização Global: Ela induziu com sucesso divisões localmente subótimas que contribuíram para uma estrutura de árvore globalmente ótima, uma capacidade ausente em abordagens gulosas.
  • Interpretabilidade: Produziu múltiplas árvores rasas e inspecionáveis com bom desempenho.

4. Contribuições e Significado

O artigo reivindica as seguintes contribuições e significados:

1. Validação da Construção de Recursos Multi-Objetivo: O estudo demonstra que a construção de recursos multi-objetivo é a chave para tornar árvores de sobrevivência rasas poderosas. Permite a geração de uma frente de Pareto de modelos, dando aos clínicos a escolha entre complexidade e precisão.
2. Nova Árvore de Sobrevivência Evolutiva: A introdução da Árvore de Sobrevivência Evolutiva, que otimiza conjuntamente a estrutura da árvore e a lógica de divisão, é apresentada como a abordagem com "maior promessa". Combina os benefícios da otimização não gulosa com a interpretabilidade de árvores rasas.
3. Desempenho Competitivo sem Riscos Proporcionais: Os métodos propostos alcançam desempenho preditivo na par com baselines de aprendizado profundo (DeepSurv, CoxKAN) em conjuntos de dados clínicos do mundo real, mas sem a suposição restritiva de riscos proporcionais e com total transparência do modelo.
4. Interpretabilidade Prática: Ao manter as árvores rasas (profundidade 2 ou 3) e usar recursos simbólicos, os modelos resultantes são "inerentemente inspecionáveis", permitindo que os clínicos rastreiem previsões de volta para características específicas do paciente e fatores de risco.

5. Limitações e Direções Futuras

Os autores notam modestamente as limitações atuais:

• Restrição de Recursos Binários: A Árvore de Sobrevivência Evolutiva atualmente requer a evolução de recursos binários (covariável + limiar combinados). Os autores sugerem que uma representação modular permitindo a reutilização de recursos numéricos com limiares otimizados poderia oferecer mais flexibilidade sem aumentar a complexidade do espaço de busca.
• Alocação de Recursos: O estudo usou hiperparâmetros uniformes (tamanho da população, gerações) entre os métodos. Como a Árvore de Sobrevivência Evolutiva resolve um problema mais complexo, trabalhos futuros devem investigar se a alocação de mais recursos computacionais para ela melhoraria ainda mais o desempenho.

Em conclusão, o artigo argumenta que, embora a construção de recursos melhore árvores gulosas, a evolução conjunta de toda a estrutura da árvore oferece o maior potencial para criar modelos de sobrevivência precisos, interpretáveis e rasos.