Scalable Random Survival Forests via Risk Set Sampling

Resumo Técnico: Florestas de Sobrevivência Aleatórias Escaláveis via Amostragem de Conjunto de Risco

Problema
As Florestas de Sobrevivência Aleatórias (RSF - Random Survival Forests) são uma poderosa extensão de florestas aleatórias para dados de tempo até o evento com censura. No entanto, sua aplicação em conjuntos de dados grandes ou de alta dimensionalidade é frequentemente proibitiva do ponto de vista computacional. O principal gargalo surge da avaliação repetida de "conjuntos de risco" necessária para calcular a regra de divisão log-rank durante a construção da árvore. Para cada tempo de evento, o algoritmo deve avaliar todos os indivíduos ainda em risco, causando custos computacionais que escalam rapidamente com o tamanho da amostra e o número de tempos de eventos distintos. Embora a amostragem de conjunto de risco tenha sido integrada com sucesso em redes neurais baseadas em Cox (ex: Cox-Time) e seja um design padrão na epidemiologia clássica (caso-controle aninhado), ela ainda não foi adaptada para RSF.

Metodologia
Os autores propõem uma modificação ao algoritmo RSF que integra a amostragem de conjunto de risco diretamente no processo de construção da árvore.

• Mecanismo Central: Em vez de utilizar o conjunto de risco completo ($R_k$) em cada tempo de evento $t_k$ para calcular a estatística de divisão log-rank, o método amostra uma fração fixa de indivíduos do conjunto de risco ($\tilde{R}_k$).
• Ajuste Estatístico: A estatística log-rank depende do número esperado de eventos e sua variância dentro de um nó. Os autores modificam esses cálculos para utilizar o conjunto de risco amostrado $\tilde{R}_k$ em vez do conjunto completo. Especificamente, o número esperado de eventos $E(D_{\alpha,k})$ e a variância $Var(D_{\alpha,k})$ para um nó filha $\alpha$ são recalculados usando a razão entre os indivíduos em risco amostrados ($\tilde{R}_{\alpha,k}$) e o conjunto de risco total amostrado ($\tilde{R}_k$).
• Implementação: A abordagem foi implementada no pacote ranger do R, uma implementação de alto desempenho para florestas aleatórias. Os autores testaram frações de amostragem variando de 10% a 100% (onde 100% representa o conjunto de risco completo padrão).
• Desenho Experimental:
  • Simulações: Dados de sobrevivência heterogêneos foram gerados usando distribuições de mistura Exponencial e Weibull com tamanhos de amostra de $n=500, 1000$ e $2000$e$p=15$ covariáveis.
  • Dados do Mundo Real: Dois conjuntos de dados foram utilizados: METABRIC (1904 observações de câncer de mama) e o conjunto de dados do German Breast Cancer Study Group (GBSG, com 686 observações).
  • Métricas: O desempenho foi avaliado através do Índice de Concordância (C-índice) via validação cruzada de 5 dobras e estimativas out-of-bag (OOB), juntamente com o tempo de execução computacional.

Principais Resultados

• Desempenho Preditivo: Em todos os conjuntos de dados simulados e do mundo real, os modelos RSF treinados em conjuntos de risco amostrados (especificamente usando 25% a 40% do conjunto de risco) alcançaram valores de C-índice virtualmente indistinguíveis dos modelos treinados em conjuntos de risco completos.
• Eficiência Computacional: Reduzir o conjunto de risco para a faixa de 25–40% resultou em uma redução de mais de 50% no tempo de treinamento. O tempo de execução aumentou monotonicamente com a fração do conjunto de risco, sendo observados os ganhos mais significativos em conjuntos de dados maiores.
• Estabilidade e Viés: O estudo descobriu que a amostragem do conjunto de risco afeta primariamente a variância das estimativas, em vez de introduzir um viés sistemático. Os intervalos de confiança para o C-índice mostraram sobreposição substancial em todas as frações de amostragem, indicando que não há diferença estatisticamente significativa na discriminação preditiva.
• Efeito de Regularização: Em vários cenários, modelos treinados com frações de amostragem moderadas (25–40%) exibiram valores de C-índice marginalmente superiores aos modelos de risco total, sugerindo um potencial efeito de regularização benéfico que reduz o ruído.

Significância e Alegações
O artigo afirma que a amostragem de conjunto de risco é uma modificação simples, porém eficaz, que melhora substancialmente a escalabilidade das Florestas de Sobrevivência Aleatórias sem comprometer o desempenho preditivo ou a estabilidade do modelo. Os autores argumentam que:

1. Ponte entre Disciplinas: A abordagem fornece uma ponte metodológica entre o design de amostragem epidemiológica clássica (caso-controle aninhado) e o aprendizado de máquina moderno para análise de sobrevivência.
2. Utilidade Prática: O cálculo do risco total oferece pouco benefício prático para alcançar um bom desempenho preditivo em modelos RSF, enquanto incorre em custos computacionais significativamente mais altos.
3. Acessibilidade: Ao implementar esta metodologia no amplamente utilizado pacote ranger, os autores facilitam a aplicação de RSF escalável na prática, particularmente para dados de sobrevivência de grande escala e alta dimensionalidade.

Os autores concluem que, embora o método seja robusto, trabalhos futuros poderiam explorar sua aplicação em estruturas mais complexas (riscos competitivos, modelos de múltiplos estados) e investigar interações com outros hiperparâmetros de RSF.