Federated Survival Analysis in Healthcare: A Multi-Model Evaluation on Cross-Institutional Heterogeneous Breast Cancer Data

Resumo Técnico: Análise de Sobrevivência Federada em Saúde

Definição do Problema
A análise de sobrevivência é fundamental para a tomada de decisão clínica em oncologia, particularmente no câncer de mama, onde a estimativa do tempo até o evento (ex.: morte, recidiva) informa o prognóstico e o tratamento. No entanto, o desenvolvimento de modelos robustos requer coortes grandes e diversas, que raramente estão disponíveis em uma única instituição devido à natureza descentralizada dos dados de saúde. Além disso, regulamentações de privacidade (ex.: GDPR, HIPAA) impedem a centralização dos registros dos pacientes. Embora o Aprendizado Federado (FL - Federated Learning) ofereça uma alternativa preservadora de privacidade ao treinar modelos compartilhados sem a troca de dados brutos, sua eficácia para modelagem de sobrevivência sob condições heterogêneas e realistas ainda não é suficientemente compreendida. A literatura existente frequentemente foca em famílias de modelos únicos ou propõe novos algoritmos avaliados isoladamente, carecendo de comparações sistemáticas entre diferentes arquiteturas de modelos e paradigmas de treinamento. Adicionalmente, há uma escassez de orientações práticas e orientadas à decisão para a seleção de modelos e estratégias de treinamento com base em características específicas de dados, restrições de privacidade e limitações de recursos.

Metodologia
O estudo apresenta uma avaliação sistemática e multimodelos de análise de sobrevivência federada utilizando o conjunto de dados Fed-TCGA-BRCA do benchmark FLamby. Este conjunto de dados compreende perfis clínicos, patológicos e moleculares de 1.088 pacientes com câncer de mama distribuídos em seis instituições, exibindo heterogeneidade natural interinstitucional em tamanhos de amostra, taxas de eventos e tempos de acompanhamento.

A avaliação compara três modelos de sobrevivência representativos:

1. Cox Proportional Hazards (CoxPH): Um baseline estatístico semiparamétrico.
2. DeepSurv: Uma extensão de aprendizado profundo do CoxPH utilizando redes neurais para modelar efeitos de covariáveis não lineares.
3. Random Survival Forest (RSF): Um método de ensemble de árvores que captura relações não lineares sem suposições paramétricas.

Estes modelos foram treinados sob três paradigmas:

• Centralizado: Todos os dados reunidos (referência de melhor caso).
• Local: Treinamento independente nos dados de cada cliente (baseline de limite inferior).
• Federado: Treinamento colaborativo via um servidor central sem compartilhamento de dados.

Para modelos baseados em gradiente (CoxPH e DeepSurv), três estratégias de otimização federada foram avaliadas: FedAvg (média padrão), FedProx (adicionando um termo proximal para limitar o desvio local) e FedAdam (otimização adaptativa no lado do servidor). O RSF utilizou uma abordagem de agregação de árvores (FedSurF++) em vez de atualizações de gradiente.

Os experimentos foram conduzidos com configurações variadas de clientes (3, 4 e 5 clientes) para simular diferentes níveis de heterogeneidade de dados. O desempenho foi avaliado usando métricas de discriminação (Índice de Concordância/C-Index, AUC dependente do tempo) e métricas de calibração (Brier Score Integrado/IBS).

Principais Contribuições

1. Comparação Empírica Unificada: O artigo fornece uma comparação direta de CoxPH, DeepSurv e RSF através de treinamentos locais, federados e centralizados em uma coorte real de câncer de mama multi-institucional com distribuições naturalmente heterogêneas.
2. Análise de Heterogeneidade: Analisa como o número e a composição dos clientes participantes afetam tanto a discriminação quanto a calibração, revelando que o desempenho depende mais da diversidade das distribuições de dados do que do mero número de clientes.
3. Avaliação de Estratégias de Otimização: Avalia a robustez de FedAvg, FedProx e FedAdam para modelos de sobrevivência baseados em gradiente sob condições heterogêneas.
4. Diretrizes Orientadas à Decisão: O estudo deriva diretrizes práticas que mapeiam restrições específicas (heterogeneidade de dados, privacidade, interpretabilidade, recursos computacionais) para recomendações de escolha de modelos e paradigmas de treinamento.

Resultados

• Federado vs. Local/Centralizado: O aprendizado federado superou consistentemente o treinamento local e aproximou-se, ou ocasionalmente excedeu, o desempenho centralizado. Notavelmente, o DeepSurv no cenário federado alcançou maior discriminação (C-Index: 0,727) do que o treinamento centralizado (0,707) na configuração de 5 clientes, sugerindo que a agregação de atualizações heterogêneas pode atuar como um regularizador.
• Desempenho dos Modelos:
  • O RSF demonstrou o melhor equilíbrio geral de discriminação, calibração e robustez entre clientes heterogêneos. Alcançou consistentemente o menor IBS (melhor calibração) e desempenho estável entre os clientes.
  • O DeepSurv mostrou forte capacidade preditiva, muitas vezes igualando ou excedendo o desempenho centralizado em cenários federados, embora tenha exibido uma variabilidade ligeiramente superior ao RSF.
  • O CoxPH teve bom desempenho em cenários homogêneos, mas apresentou menor discriminação e maior variabilidade sob heterogeneidade, provavelmente devido à sua dependência das suposições de riscos proporcionais e conjuntos de risco globais.
• Estratégias de Otimização: FedAvg e FedProx mostraram-se mais fortes e estáveis do que o FedAdam tanto para CoxPH quanto para DeepSurv. O FedAdam resultou consistentemente em menor desempenho de discriminação e valores de IBS mais altos. O FedProx ofereceu ganhos marginais sobre o FedAvg em cenários altamente heterogêneos (ex.: configuração de 3 clientes para DeepSurv).
• Impacto da Composição dos Clientes: Reduzir o número de clientes não degradou o desempenho monotonicamente; em vez disso, as distribuições de dados específicas dos clientes excluídos foram determinantes. A calibração (IBS) foi particularmente sensível à diversidade dos tempos de sobrevivência observados e padrões de eventos, degradando-se quando distribuições específicas de clientes eram excluídas.

Significância e Alegações
O artigo afirma que a análise de sobrevivência federada é uma abordagem viável e eficaz para a saúde, oferecendo uma alternativa preservadora de privacidade que pode igualar ou superar o desempenho centralizado sem a centralização de dados. O estudo destaca que o RSF é a escolha mais robusta para cenários federados do mundo real e heterogêneos, oferecendo o melhor compromisso entre discriminação e calibração. Por outro lado, o CoxPH permanece preferível para cenários que priorizam a interpretabilidade ou onde os dados são homogêneos.

Os autores enfatizam que a escolha de um modelo e de uma estratégia de treinamento deve ser impulsionada por restrições específicas:

• Para clientes heterogêneos ou aplicações críticas de calibração, o RSF com treinamento federado é recomendado.
• Para estudos focados em interpretabilidade, o CoxPH é preferível, apesar do menor desempenho preditivo em cenários heterogêneos.
• Para dados escassos ou desbalanceados, o treinamento federado com RSF ou DeepSurv melhora significativamente o desempenho em relação ao treinamento local.
• Para restrições estritas de privacidade, as abordagens federadas mostram-se soluções práticas que aproximam o desempenho centralizado.

O estudo conclui que, embora o aprendizado federado seja eficaz, seu sucesso é governado pela diversidade das distribuições dos clientes, e não apenas pelo número de participantes, e que estratégias de agregação mais simples, como o FedAvg, muitas vezes são suficientes em comparação a métodos adaptativos mais complexos como o FedAdam neste contexto específico.