Skip to content
Назад к результатам поиска

Адаптивная модель пропорциональных рисков Кокса — Регрессия выживаемости с регуляризацией и автоматическим отбором переменных

Автор метода
Hao Helen Zhang & Wenbin Lu (adaptive LASSO formulation); base Cox model by David R. Cox
Год
2007 (adaptive LASSO variant); base Cox model 1972
Тип
Penalized semi-parametric survival regression
Семейство
Clinical / epidemiology

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Адаптивная модель пропорциональных рисков Кокса расширяет классическую регрессию Кокса для данных о времени до наступления события за счет добавления адаптивной LASSO (или аналогичной) регуляризации.

Она одновременно оценивает отношения рисков и выполняет отбор переменных, сжимая коэффициенты нерелевантных ковариат точно до нуля. Это делает ее особенно ценной в высокоразмерных клинических или геномных наборах данных, где количество потенциальных предикторов велико по сравнению с количеством событий.

Интуиция метода

Классическая регрессия Кокса может стать нестабильной или даже отказать, когда множество предикторов конкурируют за объяснение исходов выживаемости — обычная ситуация в геномике или многоцентровых клинических исследованиях. Адаптивная модель Кокса накладывает штраф на каждый коэффициент, но, что крайне важно, штраф адаптируется к каждому предиктору: переменные, которые выглядят информативными при первоначальной подгонке, получают легкий штраф и остаются в модели, в то время как переменные, которые кажутся шумоподобными, получают тяжелый штраф и сжимаются точно до нуля, фактически исключаясь из окончательной модели. Это двухэтапное адаптивное взвешивание придает методу свойство оракула: асимптотически он работает так же хорошо, как если бы правильное подмножество предикторов было известно с самого начала.

История

Модель пропорциональных рисков Кокса была представлена Дэвидом Р. Коксом в его знаковой статье 1972 года в Journal of the Royal Statistical Society, установившей основу частичного правдоподобия для регрессии на данных выживаемости. LASSO-регуляризация для модели Кокса была разработана в конце 1990-х годов Тибширани (Tibshirani, 1997). Адаптивный вариант LASSO, который назначает веса регуляризации, специфичные для предиктора, для достижения свойства оракула, был представлен для линейной регрессии Зу (Zou, 2006) и расширен на модель Кокса Чжаном и Лу в их статье 2007 года в Biometrika. Последующие работы расширили адаптивную регуляризацию на групповую LASSO, elastic net и SCAD варианты для исходов выживаемости.

Когда применять

Используйте адаптивную модель Кокса, когда цель исследования состоит в построении экономной прогностической модели выживаемости или в идентификации подмножества прогностических биомаркеров из большого набора кандидатов, особенно когда отношение событий к предикторам низкое (например, менее 10 событий на переменную). Она хорошо подходит для геномных, транскриптомных или многоцентровых регистровых данных, где необходимо сократить сотни или тысячи признаков. Не используйте ее в качестве прямой замены классической регрессии Кокса, когда набор предикторов мал и основан на теории — в низкоразмерных подтверждающих исследованиях предпочтительнее стандартная регрессия Кокса с заранее заданными ковариатами. Также избегайте этого метода, когда предположение о пропорциональных рисках серьезно нарушается для выбранных предикторов; вместо этого рассмотрите модели с изменяющимися во времени коэффициентами или модели ускоренного времени отказа.

Ограничения и замечания

  • Требует надежной начальной оценки для адаптивных весов; плохие начальные подгонки (например, из очень высокоразмерной нерегуляризованной модели) могут привести к распространению ошибок в вектор весов.
  • Отбор и вывод не могут быть выполнены на одних и тех же данных без корректировки — вывод после отбора требует специальных процедур (например, селективного вывода или разделения выборки).
  • Предположение о пропорциональных рисках должно по-прежнему выполняться для оставшихся предикторов; регуляризация не устраняет нарушения этого основного предположения модели.
  • Производительность ухудшается при очень высоких показателях цензурирования или коротком периоде наблюдения, поскольку небольшое количество наблюдаемых событий ограничивает сигнал частичного правдоподобия.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Выполняет одновременный отбор переменных и оценку эффектов в рамках одной регуляризованной подгонки модели.
  • Свойство оракула гарантирует асимптотическую корректность отбора переменных при соблюдении условий регулярности.
  • Обрабатывает высокоразмерные предикторы (сценарии p >> n), где классическая регрессия Кокса невыполнима.
  • Адаптивные веса уменьшают смещение сжатия для больших коэффициентов по сравнению со стандартной LASSO Кокса.
  • Дает интерпретируемые отношения рисков для оставшихся предикторов, соответствующие клиническим стандартам отчетности.

Применение

  • Построение геномных прогностических сигнатур для выживаемости, специфичной для рака, на основе экспрессии генов или SNP-массивов.
  • Идентификация независимых прогностических биомаркеров среди больших наборов клинических переменных в когортных исследованиях на основе регистров.
  • Разработка разреженных шкал сердечно-сосудистого риска на основе высокоразмерных данных электронных медицинских карт.
  • Отбор предикторов для моделей времени до выписки из больницы или времени до рецидива в многоцентровых клинических испытаниях.
  • Построение экономных прогностических моделей для исходов инфекционных заболеваний (например, времени до вирусного клиренса или смертности), когда доступно множество потенциальных лабораторных маркеров.

Как это работает

Как это работает

1

Определите исход выживаемости как пару (время до события T, индикатор цензурирования delta). Сформируйте матрицу ковариат X с p предикторами. Проверьте предположения о пропорциональных рисках и обработайте совпадающие времена событий (например, аппроксимация Бреслоу). Стандартизируйте непрерывные предикторы перед регуляризацией, чтобы обеспечить применение штрафа в общем масштабе.

2

Получите начальные оценки коэффициентов из нерегуляризованной модели Кокса или гребневой регрессии Кокса. Вычислите адаптивные веса для каждого предиктора j как обратную величину абсолютной начальной оценки, возведенной в степень gamma (обычно gamma=1 или 2): w_j = 1 / |beta_j_init|^gamma. Предикторы, близкие к нулю в начальной подгонке, получают большие веса и будут сильно штрафоваться.

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

Максимизируйте частичное логарифмическое правдоподобие модели Кокса минус взвешенный L1-штраф: ell(beta) - lambda * sum_j w_j |beta_j|. Благодаря адаптивным весам эта целевая функция обладает свойством оракула — при соблюдении условий регулярности решение корректно идентифицирует нулевые коэффициенты и оценивает ненулевые с тем же асимптотическим распределением, как если бы истинная поддержка была известна.

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

Путь решения дает разреженный набор выбранных предикторов (тех, у которых ненулевые коэффициенты). Коэффициенты, сжатые точно до нуля, исключаются из окончательной модели. Выбранные предикторы и их оценки отношений рисков (exp(beta_j)) составляют окончательную модель выживаемости.

5

Выберите параметр регуляризации lambda с помощью перекрестной проверки частичного правдоподобия или информационных критериев (AIC, BIC, расширенный BIC для высокоразмерных настроек). В анализе выживаемости K-кратная перекрестная проверка использует частичное логарифмическое правдоподобие на отложенных фолдах. Стандартным является поиск по сетке в логарифмическом масштабе для последовательности lambda.

6

Оцените прогностическую эффективность с помощью индекса согласия (C-index / C Харрелла) на независимом тестовом наборе или с помощью вложенной перекрестной проверки. Сообщите о калибровке прогнозируемых вероятностей выживаемости на клинически значимых временных горизонтах. Проверьте предположение о пропорциональных рисках для оставшихся предикторов с использованием остатков Шёнфельда.

Частые ошибки

  • Использование одного и того же набора данных как для настройки lambda, так и для окончательной оценки модели без внешнего цикла валидации завышает кажущийся C-индекс; всегда используйте вложенную перекрестную проверку или отложенный тестовый набор.
  • Игнорирование отношения событий к переменным для начальной подгонки — если начальная нерегуляризованная модель Кокса запускается с большим количеством предикторов, чем событий, начальные оценки ненадежны, что искажает адаптивные веса.
  • Рассмотрение выбранных предикторов как подтвержденных без учета проблем множественных сравнений — отбор переменных является процессом, управляемым данными, и выбранные предикторы должны быть валидированы в независимой когорте перед клиническим внедрением.
  • Неспособность проверить предположение о пропорциональных рисках в окончательной выбранной модели — графики остатков Шёнфельда должны быть изучены для каждого оставшегося предиктора после отбора.
  • Пропуск стандартизации непрерывных предикторов перед подгонкой — нестандартизованные входные данные приводят к штрафным членам в несовместимых масштабах, искажая отбор переменных.

Часто задаваемые вопросы

Чем адаптивная регрессия Кокса отличается от обычной LASSO-регрессии Кокса?

Стандартная LASSO-регрессия Кокса применяет одинаковый вес штрафа ко всем предикторам, что вносит смещение сжатия для больших истинных коэффициентов и не обладает свойством оракула — она может непоследовательно выбирать правильную модель в больших выборках. Адаптивная регрессия Кокса присваивает каждому предиктору вес, обратно пропорциональный его первоначальному оцененному эффекту: предикторы с большим эффектом штрафуются слабо (уменьшая смещение), в то время как предикторы, близкие к нулю, штрафуются сильно (улучшая отбор). Это адаптивное взвешивание придает методу свойство оракула при соблюдении условий регулярности.

Какой начальный оценщик следует использовать для адаптивных весов?

Обычными вариантами являются оценщик частичного правдоподобия Кокса без регуляризации (применим, когда n > p и начальная модель стабильна), гребневая регрессия Кокса (рекомендуется, когда p велико или близко к n, поскольку гребневая регрессия всегда дает конечные оценки) или маргинальный скрининговый оценщик. Адаптивная LASSO, инициализированная гребневой регрессией, является наиболее широко рекомендуемым подходом в высокоразмерных условиях выживаемости.

Могу ли я сообщать отношения рисков для выбранных переменных так, как если бы они были получены из стандартной модели Кокса?

Точечные оценки сопоставимы по значению со стандартными отношениями рисков Кокса, но стандартные ошибки и доверительные интервалы, рассчитанные так, как если бы отбора не происходило, недействительны — они игнорируют этап отбора и слишком узки. Для вывода после отбора используйте бутстрапные доверительные интервалы, разделение выборки или методы селективного вывода, специально разработанные для моделей выживаемости после отбора.

Как выбрать параметр настройки lambda?

Наиболее распространенный подход — K-кратная перекрестная проверка (K=5 или 10) с максимизацией перекрестно-валидированного частичного логарифмического правдоподобия. Также могут использоваться BIC или расширенный BIC (для очень высокоразмерных данных), которые, как правило, выбирают более разреженные модели. Выбор критерия влияет на размер модели: перекрестная проверка склоняется к более крупным моделям с лучшим прогнозированием; BIC склоняется к меньшим моделям с лучшей согласованностью отбора.

Нужно ли по-прежнему проверять предположение о пропорциональных рисках после адаптивного отбора?

Да. Регуляризация выбирает предикторы, но не проверяет и не обеспечивает пропорциональные риски. После завершения построения модели следует построить тесты и графики остатков Шёнфельда для каждого оставшегося предиктора. Нарушения могут потребовать добавления членов взаимодействия времени с ковариатой или перехода к альтернативной модели выживаемости для проблемных предикторов.

Похожие методы

Источники

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

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

    Открыть ссылку DOI
    Скопировано.