📊 statistics

Extending Deep Cox Survival Models with Case-Cohort risk set Sampling

Este artigo introduz e avalia a primeira integração da amostragem de conjunto de risco de caso-coorte em redes neurais de riscos proporcionais de Cox profundas, demonstrando que, enquanto a amostragem de caso-controle aninhada aproxima consistentemente o desempenho do conjunto de risco total, o treinamento por mini-lote permite que a amostragem de caso-coorte alcance precisão comparável com economias computacionais substanciais.

Autores originais: Justine Nasejje, Michael P. Falk, Marvin N. Wright, Wende Clarence Safari, Pierre-Philippe Dechant, Raeesa Manjoo Docrat, Rukia Nuermaimaiti

Publicado 2026-09-17

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Justine Nasejje, Michael P. Falk, Marvin N. Wright, Wende Clarence Safari, Pierre-Philippe Dechant, Raeesa Manjoo Docrat, Rukia Nuermaimaiti

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da pesquisa médica e da engenharia, prever quando algo acontecerá é frequentemente mais valioso do que saber exatamente quando acontecerá. Quer seja a falha de uma peça de uma máquina ou a sobrevivência de um paciente a uma doença, os cientistas utilizam um método chamado análise de sobrevivência para estudar o tempo até que um evento ocorra. Um grande desafio neste campo é que os estudos muitas vezes terminam antes que todos os sujeitos experimentem o evento; algumas pessoas ainda estão vivas quando o estudo se encerra, ou uma máquina ainda está funcionando. Isto é conhecido como dados censurados à direita, e requer ferramentas estatísticas especiais para lidar com a informação incompleta sem descartar os valiosos dados que existem. Durante décadas, a ferramenta padrão para isto tem sido um modelo que calcula o risco com base num grupo de pessoas que ainda estão em risco num determinado momento, conhecido como conjunto de risco.

À medida que os dados explodiram em tamanho, com estudos modernos a acompanhar milhares de pacientes e milhões de pontos de dados, estes cálculos tradicionais tornaram-se um gargalo. Para processar os dados, um computador deve olhar para cada uma das pessoas que ainda estão no estudo sempre que um evento acontece, um processo que exige um poder computacional e memória imensos. Isto cria uma barreira para o uso de técnicas de inteligência artificial modernas e poderosas, que prosperam com grandes conjuntos de dados, mas lutam quando forçadas a realizar estes cálculos pesados e repetitivos. Os investigadores estão agora a perguntar-se como manter a precisão destes modelos avançados, tornando-os suficientemente rápidos para serem executados nos enormes conjuntos de dados do século XXI.

Uma equipa de investigadores de universidades da África do Sul, Alemanha e Reino Unido abordou este problema testando uma nova forma de treinar redes neurais profundas, um tipo de inteligência artificial concebida para encontrar padrões complexos nos dados. O seu objetivo era ver se conseguiam acelerar o processo de treino ao não olhar para todas as pessoas do estudo de uma só vez, mas sim ao olhar para uma amostra cuidadosamente escolhida. Eles compararam duas estratégias de amostragem diferentes: uma que escolhe algumas pessoas novas para comparar contra cada evento a cada vez, e outra que escolhe um grupo fixo de pessoas no início do estudo e permanece com elas. Testaram estes métodos tanto em dados gerados por computador, onde a resposta verdadeira é conhecida, como num conjunto de dados do mundo real de pacientes com cancro da mama, medindo quão bem os modelos previam a sobrevivência e quanto tempo e memória de computador exigiam.

Os investigadores descobriram que o método que escolhe um grupo fresco de pessoas para cada evento, conhecido como amostragem de caso-controlo aninhada, funciona quase perfeitamente. Quer tenham utilizado o conjunto de dados completo ou apenas uma pequena amostra, esta abordagem produziu previsões quase idênticas ao método lento e pesado que olha para todos. O modelo aprendeu os padrões corretos, e as previsões foram tão precisas como a abordagem padrão, mas fez-no sem o custo computacional massivo. Isto sugere que, para muitos problemas de grande escala, os investigadores podem usar com segurança este truque de amostragem para tornar os seus modelos muito mais rápidos sem perder qualquer poder preditivo.

O segundo método, chamado amostragem de caso-coorte, comportou-se de forma diferente e revelou uma história mais complexa. Quando os investigadores utilizaram um grupo fixo muito pequeno de pessoas para representar todo o estudo, o modelo teve dificuldades significativas. Em testes com um grupo minúsculo, a capacidade do modelo de distinguir entre pacientes de alto risco e baixo risco caiu drasticamente, e as previsões tornaram-se pouco fiáveis. No entanto, os investigadores descobriram que a forma como o computador processa os dados muda tudo. Quando mudaram de processar o conjunto de dados completo de uma só vez para o processamento em pequenos lotes rápidos, o desempenho do pequeno grupo fixo melhorou dramaticamente. Com este estilo de processamento mais rápido, mesmo um pequeno grupo de pessoas pôde ajudar o modelo a aprender eficazmente, recuperando a maior parte da sua precisão, mantendo simultaneamente uma grande poupança de recursos computacionais.

O estudo também analisou como estes métodos afetam o próprio computador. A forma tradicional de processar todos os dados de uma só vez requer uma quantidade massiva de memória, atingindo frequentemente seis gigabytes ou mais, o que pode causar o bloqueio de computadores padrão. Ao mudar para a abordagem de lotes (batches), o uso de memória baixou para menos de meio gigabyte, tornando estes modelos avançados acessíveis em máquinas muito menores. Os investigadores observaram que, enquanto o método do grupo fixo pequeno era instável quando o computador olhava para tudo de uma só vez, a abordagem de lotes suavizou os erros, permitindo que o modelo aprendesse de forma constante. Este compromisso entre o tamanho da amostra e a forma como os dados são processados oferece um novo conjunto de ferramentas aos cientistas: eles podem escolher usar um método que seja sempre robusto, ou podem usar um método menor e mais rápido se estiverem dispostos a ajustar a forma como o computador lida com os dados.

Em última análise, este trabalho faz a ponte entre a estatística clássica e a inteligência artificial moderna. Mostra que o trabalho pesado necessário para analisar dados de sobrevivência não tem de ser feito olhando para cada uma das pessoas no estudo em cada momento individual. Ao utilizar técnicas de amostragem inteligentes, particularmente quando combinadas com métodos de treino modernos, os investigadores podem construir modelos poderosos que são simultaneamente precisos e eficientes. As descobertas sugerem que, para o futuro da análise de sobrevivência, a chave não é apenas ter mais dados, mas saber como olhar para eles de uma forma que respeite os limites dos nossos computadores, preservando a verdade escondida nos números.

Resumo Técnico: Estendendo Modelos de Sobrevivência Cox Profundos com Amostragem de Conjunto de Risco Caso-Coorte

Definição do Problema
As redes neurais profundas (DNNs) demonstraram um desempenho preditivo superior em análise de sobrevivência quando treinadas utilizando a verossimilhança parcial de Cox. No entanto, existe um gargalo significativo para escalar esses modelos para grandes conjuntos de dados: avaliar o conjunto de risco completo em cada tempo de evento observado acarreta custos computacionais e de memória substanciais. Essa limitação restringe a escalabilidade dos modelos Cox profundos. Embora técnicas de amostragem de conjunto de risco, como o Caso-Controle Aninhado (NCC), tenham sido adaptadas para redes neurais para mitigar isso, a integração da amostragem Caso-Coorte (CC) — um design onde um subcoorte estático é amostrado uma única vez no baseline — em frameworks Cox profundos permanece inexplorada. Este estudo aborda a lacuna na literatura existente quanto à aplicação e avaliação da amostragem CC dentro de aprendizados de sobrevivência profundos, investigando especificamente seus compromissos (trade-offs) contra NCC e abordagens de conjunto de risco total em regimes de treinamento de lote total (full-batch) e mini-lote (mini-batch).

Metodologia
Os autores propõem um framework de treinamento para DNNs baseadas em Cox que incorpora a amostragem de conjunto de risco. O fundamento estatístico central é o modelo de riscos proporcionais de Cox, onde a saída da rede $\eta_i = f_\theta(X_i)$ substitui o preditor linear $\beta^\top X_i$ . O modelo minimiza a log-verossimilhança parcial negativa.

O estudo avalia três estratégias de amostragem para construir o conjunto de risco $R(t_j)$ em cada tempo de evento $t_j$ :

Conjunto de Risco Total (Full Risk Set): A abordagem de referência utilizando todos os indivíduos em risco ( $R(t_j) = \{i : T_i \ge t_j\}$ ).
Caso-Controle Aninhado (NCC): Para cada evento, um número fixo de controles ( $m$ ) é amostrado aleatoriamente do atual conjunto de risco.
Caso-Coorte (CC): Um subcoorte estático de tamanho $m$ é amostrado uma única vez no baseline. Em cada tempo de evento, o conjunto de risco consiste no caso do evento mais os membros do subcoorte que permanecem em risco.

O framework é implementado usando uma rede neural feed-forward (três camadas ocultas com ativações ReLU, regularização por dropout) treinada via otimizador Adam. A avaliação cobre dois regimes de treinamento distintos:

Lote Total (Full-Batch): Todo o conjunto de dados é utilizado para cada atualização de gradiente.
Mini-Lote (Mini-Batch): Os dados são particionados em lotes; os conjuntos de risco são restritos aos indivíduos presentes dentro do lote atual. Para CC em mini-lote, o conjunto de risco é a interseção do subcoorte fixo e o lote atual, mais o caso do evento.

Experimentos foram conduzidos em:

Dados Sintéticos: Gerados com estruturas de risco latentes de ground-truth conhecidas ( $N=6.000$ ) para avaliar a recuperação do verdadeiro preditor linear e da distribuição de risco latente.
Dados do Mundo Real: O conjunto de dados de câncer de mama METABRIC ( $N \approx 1.800$ ) para avaliar o desempenho em dados clínicos complexos.

O desempenho foi medido pelo Índice de Concordância (C-index), Pontuação de Brier Integrada (IBS), correlações de Pearson e Spearman (para dados sintéticos) e utilização de recursos computacionais (CPU e memória).

Principais Contribuições
Para conhecimento dos autores, este estudo fornece a primeira integração e avaliação sistemática da amostragem de conjunto de risco Caso-Coorte dentro de redes neurais de proporção de riscos de Cox profundas. As contribuições específicas incluem:

Integração Inovadora: Adaptar o design clássico de Caso-Coorte para implementações de redes neurais do modelo de Cox, abordando uma lacuna nos frameworks de aprendizado de sobrevivência profundo.
Formulação de Treinamento: Desenvolver uma formulação de treinamento que incorpora a amostragem Caso-Coorte dentro de otimização estocástica de lote total e mini-lote, permitindo o aprendizado escalável.
Comparação Sistemática: Fornecer a primeira comparação empírica entre as estratégias de conjunto de risco total, NCC e CC dentro de modelos Cox profundos, analisando os compromissos entre custo computacional e precisão preditiva.

Resultos

Treinamento de Lote Total (Full-Batch):
- NCC: Aproximou consistentemente a linha de base do conjunto de risco total em todas as configurações. Em dados sintéticos, alcançou valores de C-index (~0,78) quase idênticos à linha de base, com correlações de log-hazard aproximando-se de 0,99.
- CC: Mostrou alta sensibilidade ao tamanho do subcoorte ( $k$ ). A subamostragem severa ( $k=5$ ) resultou em uma queda significativa de desempenho (redução do C-index de ~23% em relação à linha de base) e uma recuperação pobre da estrutura de risco latente. No entanto, aumentar o tamanho do subcoorte (por exemplo, para 1.000 em dados sintéticos ou 500 no METABRIC) mitigou o overfitting e recuperou o desempenho da linha de base, embora ao custo de maior tempo de treinamento.
Treinamento de Mini-Lote (Mini-Batch):
- NCC: Permaneceu robusto, acompanhando a linha de base de risco total com alta estabilidade.
  - CC: A execução em mini-lote reduziu substancialmente a degradação observada no CC de lote total. Um pequeno subcoorte ( $k=5$ ) que performou mal em lote total alcançou um C-index de ~0,738 (apenas uma queda de ~5,3% da linha de base) em mini-lote. Aumentar o tamanho do subcoorte para 15 ou mais permitiu que o CC recuperasse escores de C-index e IBS próximos à linha de base.
- Eficiência de Recursos: O uso de mini-lotes reduziu drasticamente o uso de memória de pico (de ~6 GB em lote total para ~0,5 GB em mini-lote). Embora aumentar o tamanho do subcoorte em mini-lote não tenha aumentado significativamente o uso de memória, aumentou o tempo de treinamento (wall-clock time).
Recuperação da Estrutura de Risco: Em experimentos sintéticos, o NCC preservou consistentemente a estrutura de risco latente. O CC com pequenos subcohortes teve dificuldade em recuperar o ranking de risco real em lote total, mas mostrou melhoria acentuada em configurações de mini-lote.

Significância e Alegações
O artigo afirma que a amostragem de conjunto de risco pode fornecer economias computacionais substanciais em modelos Cox profundos sem sacrificar o desempenho preditivo, desde que a estratégia de amostragem seja escolhida apropriadamente.

O NCC é apresentado como um método robusto que oferece desempenho consistente através das configurações de amostragem.
O CC em mini-lote é identificado como uma alternativa eficaz quando o tamanho do subcoorte é escolhido apropriadamente, oferecendo um equilíbrio entre eficiência computacional e precisidade estatística.
O estudo destaca que a amostragem CC é particularmente valiosa quando os dados subjacentes surgem naturalmente de um design de estudo caso-coorte, oferecendo uma estratégia analítica natural para tais dados.
Os achados sugerem que, embora o CC de lote total exija grandes subcohortes para evitar a degradação do desempenho, a natureza estocástica do treinamento em mini-lote permite que o CC sintetize dinâmicas de risco globais a partir de muito menos amostras, alcançando a capacidade preditiva total com uma fração do custo computacional.

Os autores concluem que seu framework estende a verossimilhança parcial de Cox clássica para o aprendizado moderno de larga escala, recuperando formulações exatas em configurações de lote total enquanto integra designs de amostragem eficientes para treinamento escalável.

Mais como este