Resumo Técnico: Um Mix de Geradores Filtrado para Treinamento de Sobrevivência Totalmente Sintético

Problema

A análise de sobrevivência é crítica para a tomada de decisão clínica em domínios como oncologia e cardiologia, mas o treinamento de modelos robustos é dificultado por restrições estruturais de dados. Eventos se acumulam ao longo de longos períodos de acompanhamento, resultando em tamanhos de coorte pequenos, enquanto regulamentações de privacidade restringem o compartilhamento de dados entre instituições. Embora a geração de dados tabulares sintéticos ofereça um potencial remédio para o aumento de dados e compartilhamento preservador de privacidade, as abordagens existentes lutam nesse regime. Modelos gerativos únicos treinados em pequenas coortes de sobrevivência frequentemente falham em caracterizar fielmente a distribuição da população subjacente. Consequentemente, pipelines "treinar no sintético, testar no real" (TSTR) apresentam consistentemente um desempenho inferior em comparação ao treinamento em dados reais, pois os conjuntos sintéticos falham em cobrir as regiões específicas do manifold de dados necessárias para a generalização de modelos downstream.

Metodologia: Pipeline FoGS

Os autores propõem o FoGS (Filtered Mixture-of-Generators for Survival analysis), um pipeline de otimização de dois níveis que reformula a construção de dados sintéticos não como um problema de geração, mas como um problema de seleção de amostras. O objetivo é construir um conjunto de treinamento sintético de alta utilidade selecionando as melhores amostras de um pool heterogêneo, impulsionado por um sinal de plausibilidade por amostra.

1. Pool de Geradores e Geração de Candidatos

O FoGS extrai um pool de candidatos de amostras de quatro geradores tabulares arquiteturalmente distintos, garantindo que o pool não esteja vinculado ao viés indutivo de qualquer arquitetura única:

• ARF: Adversarial Random Forests (estimativa de densidade não paramétrica).
• Rede Bayesiana: Fatoração explícita com aprendizado de estrutura por hill-climbing.
• TabDDPM: Modelos de difusão de denoising para características categóricas e numéricas mistas.
• SurvivalCTGAN: Uma variante do CTGAN adaptada para dados de sobrevivência censurados (gerando covariáveis via GAN e tempos de evento via cabeça de sobrevivência).

Cada gerador $g$ é treinado na divisão de treinamento real $D_r$ e produz um pool de candidatos $D_g$ de tamanho $N_g = \lceil \kappa N_r \rceil$ (onde $\kappa=100$ nos experimentos). A união desses pools forma o conjunto de candidatos $D_{synth}$.

2. Pontuação de Plausibilidade por Amostra

Em vez de usar uma única métrica, o FoGS emprega um ensemble de sete modelos de sobrevivência (incluindo Cox, DeepSurv, DeepHit, RSF, FPBoost, XGBoost-Cox e um ensemble ponderado) treinados nos dados reais $D_r$ para pontuar cada amostra sintética. Cada pontuador atribui duas perdas de regra de pontuação adequada a uma amostra:

• Integrated Brier Score (IBS): Mede a precisão da predição ao longo do tempo.
• Negative Log-Likelihood (NLL): Mede a calibração probabilística.

Valores baixos de perda indicam que uma amostra sintética é plausível em relação à distribuição da população real.

3. Política de Seleção

O conjunto de dados sintético filtrado $D^*_s$ é construído via um operador de seleção $\Phi$ definido por um vetor de política $\pi$. Esta política inclui:

• Cotas de Geradores ($p_g$): A proporção de amostras extraídas de cada pool de geradores.
• Pesos de Pontuadores ($w_{m,k}$): Pesos de agregação para as perdas IBS e NLL através dos sete pontuadores.
• Complemento Aleatório ($\rho$): Uma fração de amostras selecionadas uniformemente de forma aleatória do pool, enquanto a fração restante $(1-\rho)$ é selecionada deterministicamente com base na menor perda agregada. Isso equilibra plausibilidade (selecionando amostras de alta qualidade) com cobertura populacional (retendo casos raros nas caudas).
• Flags de Estratificação ($b_{alt}, b_{alc}$): Restrições opcionais para garantir que o conjunto selecionado corresponda à distribuição de tempo de evento e taxa de censura dos dados reais.

4. Otimização de Dois Níveis

O pipeline otimiza $\pi$ através de loops aninhados:

• Loop Interno: Treina um modelo de sobrevivência downstream (instanciado como XGBoost-Cox) no conjunto filtrado $D^*_s$ e ajusta seus hiperparâmetros $\theta$ para maximizar um score de validação composto ($C_{val} - 2 \cdot IBS_{val}$) em uma divisão de validação real mantida à parte.
• Loop Externo: Otimiza a política de seleção $\pi$ para minimizar o IBS do modelo downstream resultante na divisão de validação real. Isso garante que a política de seleção seja ajustada especificamente para a utilidade downstream.

Principais Contribuições

1. Pipeline FoGS: O primeiro pipeline a otimizar a construção de dados sintéticos para análise de sobrevivência ao recategorizá-la como um problema de seleção de amostras sobre um pool de geradores heterogêneo, impulsionado por sinais de plausibilidade por amostra.
2. Benchmarking Abrangente: Avaliação em 16 datasets públicos de sobrevivência, demonstrando que o FoGS iguala ou excede o desempenho de treinamento com dados reais na maioria das coortes.
3. Insights Estruturais: Identificação de dois fenômenos governantes na seleção de dados sintéticos:
   • Um trade-off qualidade–cobertura, onde reter uma fração aleatória não trivial de amostras é necessário para preservar a cobertura populacional e evitar a sobrerrepresentação de regiões densas.
   • Dependência de Dataset, onde nenhuma estratégia de weighting de pontuador única prevalece em todos os cohorts; os pesos ideais devem ser ajustados por dataset.

Resultados

Avaliado em 16 datasets públicos usando o paradigma TSTR com XGBoost-Cox como o modelo downstream:

• Ganhos de Desempenho: O FoGS melhorou tanto o C-index quanto o IBS em 9 de 16 datasets e pelo menos uma métrica em 13 de 16.
• Significância Estatística: As melhorias médias foram de +2.17 no C-index e +0.67 no IBS. Testes de Wilcoxon signed-rank de uma cauda resultaram em $p=0.039$ para C-index e $p=0.035$ para IBS.
• Estudos de Ablação:
  • Restringir o FoGS a um único gerador (mesmo o ARF de melhor desempenho) resultou em uma utilidade agregada menor do que o pool completo de quatro geradores.
  • Substituir a política de seleção ajustada por uma extração aleatória do mesmo pool causou uma queda no desempenho abaixo da linha de base de dados reais ($\Delta C = -0.50$), confirmando que a melhoria provém da política de seleção, e não dos geradores em si.
• Privacidade: O conjunto filtrado não mostrou degradação significativa na margem de privacidade de vizinho mais próximo (NNDR) em relação à amostragem aleatória não filtrada ($p=0.087$).

Significância

O artigo afirma que a filtragem de amostras sobre um pool de geradores heterogêneo é um substituto viável para o treinamento com dados reais em ambientes clínicos com restrição de privacidade.

A significância reside na mudança do paradigma de "gerar melhores dados" para "selecionar melhores dados". Ao tratar a construção sintética como um problema de seleção ajustado por política, o FoGS supera as limitações de pequenos tamanhos de coorte onde geradores únicos falham em capturar distribuições complexas. O framework permite que instituições compartilhem coortes sintéticas de forma segura sem divulgar registros de pacientes, mantendo, ou até melhorando, a utilidade de modelos de sobrevivência downstream em comparação ao treinamento apenas com dados reais. A abordagem é modular, permitindo a integração de novos geradores ou pontuadores sem alterar o núcleo do pipeline.