適応的Cox比例ハザード — 自動変数選択を伴う罰則付き生存回帰
- 提唱者
- Hao Helen Zhang & Wenbin Lu (adaptive LASSO formulation); base Cox model by David R. Cox
- 年
- 2007 (adaptive LASSO variant); base Cox model 1972
- 種類
- Penalized semi-parametric survival regression
- 系統
- Clinical / epidemiology
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
Adaptive Cox Proportional Hazardsモデルは、適応的LASSO(または関連手法)によるペナルティを導入することで、イベント発生までの時間(time-to-event)アウトカムに対する古典的Cox回帰を拡張したものである。このモデルは、ハザード比の推定と変数選択を同時に行い、無関係な共変量の係数を正確にゼロに縮小する。そのため、イベント数に対して候補予測変数の数が多い高次元の臨床データやゲノムデータにおいて特に有用である。
手法の背後にある直感
古典的なCox回帰は、多数の予測変数が生存結果を説明するために競合する場合(ゲノム学や多施設共同臨床研究でよく見られる状況)に、不安定になったり、失敗したりすることさえある。適応的Coxモデルは、各係数にペナルティを課すが、決定的に重要なのは、そのペナルティが各予測変数に合わせて調整されることである。最初のフィットで情報量が多いように見える変数は軽いペナルティを受け、残ることが許容される一方、ノイズのように見える変数は重いペナルティを受け、正確にゼロに縮小され、最終モデルから実質的に除外される。この二段階の適応的重み付けにより、この手法はオラクル特性(oracle property)を獲得する。すなわち、漸近的には、正しい予測変数サブセットを最初から知っていたかのようにうまく機能する。
歴史学
Cox比例ハザードモデルは、David R. Coxが1972年のJournal of the Royal Statistical Societyの画期的な論文で導入し、生存データに対する回帰のための部分尤度フレームワークを確立した。Coxモデルに対するLASSOペナルティは、1990年代後半にTibshirani (1997) によって開発された。各予測変数に予測変数固有のペナルティ重みを割り当ててオラクル特性を達成する適応的LASSOの変種は、線形回帰のためにZou (2006) によって導入され、ZhangとLuが2007年のBiometrika論文でCoxモデルに拡張した。その後の研究で、適応的ペナルティは、生存結果に対するグループLASSO、Elastic Net、およびSCADの変種に拡張された。
使うべき場面
研究目的が、簡潔な生存予測モデルの構築、または多数の候補予測変数からの予後バイオマーカーのサブセットの特定である場合、特にイベント対変数比が低い場合(例:変数1つあたりのイベント数が10未満)に、適応的Coxモデルを使用する。これは、数百または数千の特徴を削減する必要があるゲノム、トランスクリプトーム、または多施設共同レジストリデータに非常に適している。予測変数のセットが小さく理論主導型である場合、古典的Cox回帰の単純な置き換えとして使用してはならない。低次元の確認的研究では、事前に指定された共変量を持つ標準Cox回帰が好ましい。また、比例ハザード仮定が選択された予測変数全体で深刻に違反している場合にも、この手法を避けるべきである。代わりに時間変動係数または加速故障時間モデルを検討する。
限界と注意点
- 適応的重みのための信頼できる初期推定値が必要である。不適切な初期フィット(例:非常に高次元のペナルティなしモデルからのもの)は、エラーを重みベクトルに伝播させる可能性がある。
- 選択と推論は、調整なしでは同じデータに対して実行できない。選択後の推論には、専用の手順(例:選択的推論またはサンプル分割)が必要である。
- 比例ハザード仮定は、残った予測変数に対して依然として保持されなければならない。ペナルティはこのモデルのコア仮定の違反を解決しない。
- 非常に高い打ち切り率や短い追跡期間では、観測されたイベントが少なく部分対数尤度の信号が制限されるため、性能が低下する。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 単一の正則化モデルフィットで、変数選択と効果推定を同時に行う。
- 正則条件の下で、変数選択の漸近的な正しさを保証するオラクル特性。
- 高次元予測変数(p >> n のシナリオ)を扱える。これは古典的Cox回帰では実行不可能である。
- 適応的重みは、標準LASSO Coxと比較して、大きな係数に対する縮小バイアスを低減する。
- 臨床報告の慣習と一致する、残った予測変数に対する解釈可能なハザード比を生成する。
応用
- 遺伝子発現またはSNPアレイから、がん特異的生存のためのゲノム予後シグネチャを構築する。
- レジストリベースのコホート研究において、大規模な臨床変数セットの中から独立した予後バイオマーカーを特定する。
- 高次元電子健康記録の特徴から、スパースな心血管リスクスコアを開発する。
- 多施設共同臨床試験における、入院期間または再発までの期間の予測変数の選択。
- 多数の候補検査マーカーが利用可能な場合に、感染症アウトカム(例:ウイルスクリアランスまでの期間または死亡率)のための簡潔な予後モデルを構築する。
使い方
使い方
生存結果を(イベント発生までの時間 T、打ち切り指標 delta)のペアとして定義する。p個の予測変数を持つ共変量行列 X を組み立てる。比例ハザード仮定を検証し、イベント時間のタイ(例えば、Breslow近似)を処理する。ペナルティを適用する前に連続予測変数を標準化し、ペナルティが共通の尺度で適用されるようにする。
ペナルティなしのCoxモデルまたはリッジCox回帰から初期係数推定値を得る。各予測変数 j の適応的重み w_j を、初期推定値の絶対値のガンマ乗(通常 gamma=1 または 2)の逆数として計算する: w_j = 1 / |beta_j_init|^gamma。初期フィットでゼロに近い変数は大きな重みを受け、重くペナルティが課される。
数式
w_j = 1 / |\hat{\beta}_j^{\text{init}}|^\gammaCoxモデルの部分対数尤度から重み付きL1ペナルティを引いたものを最大化する: ell(beta) - lambda * sum_j w_j |beta_j|。適応的重みがあるため、この目的関数はオラクル特性を持つ。すなわち、正則条件の下では、解はゼロである係数を正確に特定し、ゼロでない係数を、真のサポートが既知であった場合と同じ漸近分布で推定する。
数式
\ell(\beta) - \lambda \sum_{j=1}^{p} w_j |\beta_j|解のパスは、スパースな選択済み予測変数のセット(ゼロでない係数を持つもの)を生成する。正確にゼロに縮小された係数は最終モデルから除外される。選択された予測変数とそのハザード比推定値(exp(beta_j))が最終的な生存モデルを構成する。
ペナルティパラメータ lambda を、交差検証による部分尤度または情報量基準(AIC、BIC、高次元設定では拡張BIC)によって選択する。生存解析では、K分割交差検証は、ホールドアウトされたフォールドでの部分対数尤度を使用する。対数スケールの lambda 系列に対するグリッドサーチが標準的である。
独立したテストセットまたはネストされた交差検証を用いて、一致度指数(C-index / Harrell's C)で予測性能を評価する。臨床的に関連のある時間範囲での予測生存確率のキャリブレーションを報告する。Schoenfeld残差を用いて、残った予測変数に対する比例ハザード仮定をチェックする。
よくある落とし穴
- lambda のチューニングと最終モデル評価に同じデータセットを使用し、外部検証ループを省略すると、見かけ上のC-indexが過大評価される。常にネストされた交差検証またはホールドアウトのテストセットを使用すること。
- 初期フィットのイベント対変数比を無視すること。初期のペナルティなしCoxモデルがイベント数よりも多くの予測変数で実行された場合、初期推定値は信頼性がなく、適応的重みを歪める。
- 選択された予測変数を、多重比較の問題を認識せずに確認済みとして扱うこと。変数選択はデータ駆動型のプロセスであり、選択された予測変数は、臨床的応用前に独立したコホートで検証されるべきである。
- 最終選択モデルに対する比例ハザード仮定のチェックを怠ること。選択後、残った各予測変数についてSchoenfeld残差プロットを検査する必要がある。
- フィット前の連続予測変数の標準化を省略すること。標準化されていない入力は、互換性のない尺度でペナルティ項を生成し、変数選択を歪める。
よくある質問
適応的Cox回帰は、通常のLASSO Cox回帰とどのように異なるか?
標準的なLASSO Cox回帰は、すべての予測変数に同じペナルティ重みを適用する。これは、真の大きな係数に縮小バイアスを導入し、オラクル特性を欠く。すなわち、大規模サンプルでは正しいモデルを一貫して選択できない可能性がある。適応的Cox回帰は、各予測変数に、その初期推定効果に反比例する重みを割り当てる。すなわち、効果の大きい予測変数は軽くペナルティを受け(バイアスを低減)、ゼロに近い予測変数は重くペナルティを受ける(選択を改善する)。この適応的重み付けにより、正則条件の下で、この手法はオラクル特性を獲得する。
適応的重みにはどのような初期推定値を使用すべきか?
一般的な選択肢としては、ペナルティなしのCox部分尤度推定値(n > p で初期モデルが安定している場合に可能)、リッジCox回帰(p が n より大きいか n に近い場合に推奨される。リッジは常に有限の推定値を生成するため)、または周辺スクリーニング推定値がある。高次元生存設定で最も広く推奨されているのは、リッジ初期化適応LASSOアプローチである。
選択された変数に対するハザード比を、標準Coxモデルからのものとして報告できるか?
点推定値は標準Coxハザード比と同様の意味を持つが、選択が行われなかったかのように計算された標準誤差と信頼区間は無効である。これらは選択ステップを無視しており、狭すぎる。選択後の推論には、ブートストラップ信頼区間、サンプル分割、または選択後の生存モデル専用に設計された選択的推論法を使用すること。
チューニングパラメータ lambda をどのように選択するか?
最も一般的なアプローチはK分割交差検証(K=5または10)で、交差検証された部分対数尤度を最大化する。BICまたは拡張BIC(非常に高次元のデータの場合)も使用でき、よりスパースなモデルを選択する傾向がある。基準の選択はモデルサイズに影響を与える。交差検証は、より良い予測を持つより大きなモデルを志向する傾向があり、BICはより良い選択の一貫性を持つより小さなモデルを志向する傾向がある。
適応的選択後も、比例ハザード仮定をチェックする必要があるか?
はい。ペナルティは予測変数を選択するが、比例ハザードを検証または強制するものではない。モデルを確定した後、残った各予測変数についてSchoenfeld残差の検定とプロットを生成する必要がある。違反があった場合、時間と共変量の交互作用項を追加したり、問題のある予測変数に対して代替の生存モデルに切り替えたりする必要があるかもしれない。