Przejdź do treści
Wróć do wyników wyszukiwania

Modelowanie regresji przeżycia Coxa z adaptacyjnym LASSO — automatyczny dobór zmiennych

Autor metody
Hao Helen Zhang & Wenbin Lu (adaptive LASSO formulation); base Cox model by David R. Cox
Rok
2007 (adaptive LASSO variant); base Cox model 1972
Typ
Penalized semi-parametric survival regression
Rodzina
Clinical / epidemiology

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Model regresji Coxa z adaptacyjnym LASSO rozszerza klasyczną regresję Coxa dla wyników czasowo-do-zdarzenia poprzez dodanie adaptacyjnej penalizacji LASSO (lub podobnej).

Jednocześnie estymuje ilorazy hazardu i przeprowadza selekcję zmiennych, redukując współczynniki nieistotnych predyktorów dokładnie do zera. Czyni to model szczególnie cennym w wysokowymiarowych zbiorach danych klinicznych lub genomicznych, gdzie liczba kandydatów na predyktory jest duża w stosunku do liczby zdarzeń.

Intuicja stojąca za metodą

Klasyczna regresja Coxa może stać się niestabilna lub nawet zawieść, gdy wiele predyktorów konkuruje o wyjaśnienie wyników przeżycia — sytuacja częsta w genomice lub wieloośrodkowych badaniach klinicznych. Model Coxa z adaptacyjnym LASSO nakłada karę na każdy współczynnik, ale kluczowo kara ta jest dostosowana do każdego predyktora: zmienne, które wydają się informatywne w pierwszym etapie dopasowania, otrzymują lekką karę i mogą pozostać w modelu, podczas gdy zmienne, które wydają się być szumem, otrzymują ciężką karę i są redukowane do zera, efektywnie wykluczane z końcowego modelu. To dwuetapowe adaptacyjne ważenie nadaje metodzie własność wyroczni (oracle property): asymptotycznie działa ona tak dobrze, jakby znano właściwy podzbiór predyktorów od początku.

Historia

Model Coxa z proporcjonalnymi hazardami został wprowadzony przez Davida R. Coxa w jego przełomowej pracy z 1972 roku w Journal of the Royal Statistical Society, ustanawiając ramy częściowej wiarygodności dla regresji na danych przeżycia. Penalizacja LASSO dla modelu Coxa została opracowana pod koniec lat 90. przez Tibshiraniego (1997). Wariant adaptacyjny LASSO — który przypisuje wagi kary zależne od predyktora, aby osiągnąć własność wyroczni — został wprowadzony dla regresji liniowej przez Zou (2006) i rozszerzony na model Coxa przez Zhanga i Lu w ich artykule z 2007 roku w Biometrika. Kolejne prace rozszerzyły adaptacyjną penalizację na warianty LASSO grupowe, elastic net i SCAD dla wyników przeżycia.

Kiedy stosować

Używać modelu Coxa z adaptacyjnym LASSO, gdy celem badawczym jest zbudowanie oszczędnego modelu predykcyjnego przeżycia lub identyfikacja podzbioru biomarkerów prognostycznych z dużego zbioru kandydatów, szczególnie gdy stosunek liczby zdarzeń do liczby zmiennych jest niski (np. mniej niż 10 zdarzeń na zmienną). Jest on dobrze dopasowany do danych genomicznych, transkryptomicznych lub wieloośrodkowych rejestrów, gdzie trzeba zredukować setki lub tysiące cech. Nie używać go jako zamiennika klasycznej regresji Coxa, gdy zbiór predyktorów jest mały i oparty na teorii — w niskowymiarowych badaniach konfirmacyjnych preferowana jest standardowa regresja Coxa z pre-specyfikowanymi predyktorami. Należy również unikać tej metody, gdy założenie o proporcjonalności hazardów jest poważnie naruszone dla wybranych predyktorów; rozważyć modele ze współczynnikami zależnymi od czasu lub modele czasu do zdarzenia przyspieszonego (accelerated failure time models).

Ograniczenia i uwagi

  • Wymaga wiarygodnej początkowej estymaty dla wag adaptacyjnych; słabe początkowe dopasowania (np. z bardzo wysokowymiarowego niepenalizowanego modelu) mogą przenosić błędy do wektora wag.
  • Selekcji i wnioskowania nie można przeprowadzać na tym samym zbiorze danych bez korekty — wnioskowanie po selekcji wymaga dedykowanych procedur (np. selektywnego wnioskowania lub podziału próby).
  • Założenie o proporcjonalności hazardów musi nadal obowiązywać dla zachowanych predyktorów; penalizacja nie rozwiązuje naruszeń tego podstawowego założenia modelu.
  • Wydajność spada przy bardzo wysokim odsetku cenzurowania lub krótkim okresie obserwacji, ponieważ niewiele zaobserwowanych zdarzeń ogranicza sygnał częściowej wiarygodności.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Przeprowadza jednoczesną selekcję zmiennych i estymację efektów w jednym modelu z regularyzacją.
  • Własność wyroczni gwarantuje asymptotyczną poprawność selekcji zmiennych przy założeniu regularności.
  • Obsługuje wysokowymiarowe predyktory (scenariusze p >> n), gdzie klasyczna regresja Coxa jest niewykonalna.
  • Wagi adaptacyjne redukują błąd estymacji (shrinkage bias) dla dużych współczynników w porównaniu ze standardowym LASSO Coxa.
  • Generuje interpretowalne ilorazy hazardu dla zachowanych predyktorów, zgodne z konwencjami raportowania klinicznego.

Zastosowania

  • Budowanie genomicznych sygnatur prognostycznych dla przeżycia specyficznego dla raka na podstawie ekspresji genów lub macierzy SNP.
  • Identyfikacja niezależnych biomarkerów prognostycznych wśród dużych zbiorów zmiennych klinicznych w badaniach kohortowych opartych na rejestrach.
  • Opracowywanie oszczędnych skali ryzyka sercowo-naczyniowego na podstawie wysokowymiarowych cech z elektronicznej dokumentacji medycznej.
  • Wybór predyktorów dla modeli czasu do wypisu ze szpitala lub czasu do nawrotu w wieloośrodkowych badaniach klinicznych.
  • Konstruowanie oszczędnych modeli prognostycznych dla wyników chorób zakaźnych (np. czas do eliminacji wirusa lub śmiertelność), gdy dostępnych jest wiele kandydatów na markery laboratoryjne.

Jak to działa

Jak to działa

1

Zdefiniować wynik przeżycia jako parę (czas do zdarzenia T, wskaźnik cenzurowania delta). Złożyć macierz predyktorów X z p predyktorami. Zweryfikować założenie o proporcjonalności hazardów i obsłużyć powiązane czasy zdarzeń (np. przybliżenie Breslowa). Standaryzować ciągłe predyktory przed penalizacją, aby zapewnić, że kara jest stosowana w tej samej skali.

2

Uzyskać początkowe estymaty współczynników z niepenalizowanej regresji Coxa lub regresji Coxa z regularyzacją typu ridge. Obliczyć wagi adaptacyjne dla każdego predyktora j jako odwrotność wartości bezwzględnej początkowej estymaty podniesionej do potęgi gamma (zwykle gamma=1 lub 2): w_j = 1 / |beta_j_init|^gamma. Predyktory bliskie zeru w początkowym dopasowaniu otrzymują duże wagi i będą mocno penalizowane.

Wzór
w_j = 1 / |\hat{\beta}_j^{\text{init}}|^\gamma
3

Maksymalizować częściową log-wiarygodność modelu Coxa minus ważoną karę L1: ell(beta) - lambda * suma_j w_j |beta_j|. Ze względu na wagi adaptacyjne, ten cel optymalizacyjny posiada własność wyroczni — przy założeniu regularności, rozwiązanie poprawnie identyfikuje, które współczynniki są zerowe, a estymuje niezerowe z tą samą asymptotyczną dystrybucją, jakby znany był prawdziwy nośnik (support).

Wzór
\ell(\beta) - \lambda \sum_{j=1}^{p} w_j |\beta_j|
4

Ścieżka rozwiązania generuje rzadki zbiór wybranych predyktorów (tych ze współczynnikami różnymi od zera). Współczynniki zredukowane do zera są wykluczane z końcowego modelu. Wybrane predyktory i ich estymaty ilorazu hazardu (exp(beta_j)) stanowią końcowy model przeżycia.

5

Wybrać parametr kary lambda za pomocą krzyżowej walidacji częściowej wiarygodności lub kryteriów informacyjnych (AIC, BIC, rozszerzone BIC dla ustawień wysokowymiarowych). W analizie przeżycia, K-krotna walidacja krzyżowa wykorzystuje częściową log-wiarygodność na złożach odłożonych na bok. Standardowe jest przeszukiwanie siatki parametrów lambda w sekwencji logarytmicznej.

6

Ocenić zdolność predykcyjną za pomocą indeksu zgodności (C-index / C Harrella) na niezależnym zbiorze testowym lub za pomocą zagnieżdżonej walidacji krzyżowej. Raportować kalibrację przewidywanych prawdopodobieństw przeżycia w klinicznie istotnych horyzontach czasowych. Sprawdzić założenie o proporcjonalności hazardów dla zachowanych predyktorów, używając reszt Schoenfelda.

Częste pułapki

  • Użycie tego samego zbioru danych do strojenia parametru lambda i oceny końcowego modelu bez zewnętrznej pętli walidacyjnej zawyża obserwowany indeks C; zawsze należy stosować zagnieżdżoną walidację krzyżową lub odłożony zbiór testowy.
  • Ignorowanie stosunku liczby zdarzeń do liczby zmiennych dla początkowego dopasowania — jeśli początkowy niepenalizowany model Coxa jest uruchamiany z większą liczbą predyktorów niż zdarzeń, początkowe estymaty są niewiarygodne, co psuje wagi adaptacyjne.
  • Traktowanie wybranych predyktorów jako potwierdzonych bez uwzględnienia problemów wielokrotnych porównań — selekcja zmiennych jest procesem zależnym od danych, a wybrane predyktory powinny zostać zweryfikowane w niezależnej kohorcie przed ich zastosowaniem klinicznym.
  • Niesprawdzenie założenia o proporcjonalności hazardów dla końcowego wybranego modelu — wykresy reszt Schoenfelda powinny być badane dla każdego zachowanego predyktora po selekcji.
  • Pominięcie standaryzacji predyktorów ciągłych przed dopasowaniem — niestandaryzowane dane wejściowe prowadzą do terminów kary w niekompatybilnych skalach, zniekształcając selekcję zmiennych.

Najczęściej zadawane pytania

Czym różni się regresja Coxa z adaptacyjnym LASSO od zwykłej regresji Coxa z LASSO?

Standardowa regresja Coxa z LASSO stosuje tę samą wagę kary do wszystkich predyktorów, co wprowadza błąd estymacji (shrinkage bias) dla dużych prawdziwych współczynników i nie posiada własności wyroczni — może nie wybierać spójnie właściwego modelu w dużych próbach. Regresja Coxa z adaptacyjnym LASSO przypisuje każdemu predyktorowi wagę odwrotnie proporcjonalną do jego początkowej estymowanej wartości: predyktory o dużym efekcie są lekko penalizowane (redukcja błędu), podczas gdy predyktory bliskie zeru są mocno penalizowane (poprawa selekcji). To adaptacyjne ważenie nadaje metodzie własność wyroczni przy założeniu regularności.

Jakiego estymatora początkowego należy użyć do wag adaptacyjnych?

Częste wybory to estymator częściowej wiarygodności Coxa bez penalizacji (wykonalny, gdy n > p i początkowy model jest stabilny), regresja Coxa z regularyzacją typu ridge (zalecana, gdy p jest duże lub bliskie n, ponieważ ridge zawsze daje skończone estymaty) lub estymator przesiewowy (marginal screening). Adaptacyjne LASSO zainicjowane przez ridge jest najszerzej zalecanym podejściem w wysokowymiarowych ustawieniach analizy przeżycia.

Czy mogę raportować ilorazy hazardu dla wybranych zmiennych tak, jakby pochodziły ze standardowego modelu Coxa?

Estymaty punktowe są porównywalne znaczeniowo ze standardowymi ilorazami hazardu Coxa, ale błędy standardowe i przedziały ufności obliczone tak, jakby nie nastąpiła selekcja, są nieważne — ignorują one etap selekcji i są zbyt wąskie. Do wnioskowania po selekcji należy użyć bootstrapowych przedziałów ufności, podziału próby lub metod selektywnego wnioskowania specjalnie zaprojektowanych dla modeli przeżycia po selekcji.

Jak wybrać parametr strojenia lambda?

Najczęstszym podejściem jest K-krotna walidacja krzyżowa (K=5 lub 10) maksymalizująca skrzyżowaną walidacją częściową log-wiarygodność. Można również użyć kryteriów BIC lub rozszerzonego BIC (dla danych bardzo wysokowymiarowych), które zazwyczaj wybierają bardziej oszczędne modele. Wybór kryterium wpływa na rozmiar modelu: walidacja krzyżowa skłania się ku większym modelom z lepszą predykcją; BIC skłania się ku mniejszym modelom z lepszą spójnością selekcji.

Czy założenie o proporcjonalności hazardów nadal musi być sprawdzane po adaptacyjnej selekcji?

Tak. Penalizacja wybiera predyktory, ale nie weryfikuje ani nie wymusza proporcjonalności hazardów. Po sfinalizowaniu modelu należy wygenerować testy i wykresy reszt Schoenfelda dla każdego zachowanego predyktora. Naruszenia mogą wymagać dodania członów interakcji czas-predyktor lub przejścia na alternatywny model przeżycia dla problematycznych predyktorów.

Pokrewne metody

Źródła

  1. Zhang, H. H., & Lu, W. (2007). Adaptive Lasso for Cox's proportional hazards model. Biometrika, 94(3), 691–703.

    Otwórz odnośnik DOI
    Skopiowano.
  2. Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202.

    Otwórz odnośnik DOI
    Skopiowano.