Skip to content
กลับไปยังผลการค้นหา

Adaptive Cox Proportional Hazards — การถดถอยการรอดชีพแบบปรับค่าด้วยการเลือกตัวแปรอัตโนมัติ

ผู้เสนอ
Hao Helen Zhang & Wenbin Lu (adaptive LASSO formulation); base Cox model by David R. Cox
ปี
2007 (adaptive LASSO variant); base Cox model 1972
ประเภท
Penalized semi-parametric survival regression
กลุ่มวิธี
Clinical / epidemiology

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

แบบจำลอง Adaptive Cox Proportional Hazards เป็นการขยายแบบจำลองการถดถอย Cox แบบคลาสสิกสำหรับผลลัพธ์เวลาสู่เหตุการณ์ โดยเพิ่มการปรับค่าโทษแบบ adaptive LASSO (หรือที่เกี่ยวข้อง) เข้าไป แบบจำลองนี้ประมาณค่าอัตราส่วนภาวะเสี่ยง (hazard ratios) และทำการเลือกตัวแปรไปพร้อมกัน โดยจะลดสัมประสิทธิ์ของตัวแปรอธิบายที่ไม่เกี่ยวข้องให้เป็นศูนย์อย่างแม่นยำ ทำให้มีประโยชน์อย่างยิ่งในชุดข้อมูลทางคลินิกหรือจีโนมิกส์ที่มีมิติสูง ซึ่งจำนวนตัวทำนายที่เป็นไปได้มีมากเมื่อเทียบกับจำนวนเหตุการณ์

แนวคิดเบื้องหลังวิธีการ

การถดถอย Cox แบบคลาสสิกอาจไม่เสถียรหรือล้มเหลวได้เมื่อตัวทำนายหลายตัวแข่งขันกันเพื่ออธิบายผลลัพธ์การรอดชีพ ซึ่งเป็นสถานการณ์ที่พบบ่อยในข้อมูลจีโนมิกส์หรือการศึกษาทางคลินิกแบบหลายศูนย์ แบบจำลอง Cox แบบปรับค่าจะกำหนดค่าโทษให้กับแต่ละสัมประสิทธิ์ แต่ที่สำคัญคือค่าโทษนี้จะถูกปรับให้เหมาะสมกับแต่ละตัวทำนาย: ตัวแปรที่ดูเหมือนให้ข้อมูลในการวิเคราะห์รอบแรกจะได้รับค่าโทษน้อยและได้รับอนุญาตให้อยู่ในแบบจำลองต่อไป ในขณะที่ตัวแปรที่ดูเหมือนเป็นสัญญาณรบกวนจะได้รับค่าโทษมากและถูกลดค่าให้เป็นศูนย์อย่างแม่นยำ ซึ่งเท่ากับว่าถูกตัดออกจากแบบจำลองสุดท้าย การถ่วงน้ำหนักแบบปรับค่าสองขั้นตอนนี้ทำให้วิธีนี้มีคุณสมบัติแบบออราเคิล (oracle property): โดยทางสถิติแล้ว มันทำงานได้ดีราวกับว่าคุณรู้ชุดย่อยของตัวทำนายที่ถูกต้องตั้งแต่แรก

ประวัติศาสตร์

แบบจำลอง Cox proportional hazards ถูกนำเสนอโดย David R. Cox ในบทความสำคัญของเขาในปี 1972 ในวารสาร Journal of the Royal Statistical Society ซึ่งได้วางกรอบ partial likelihood สำหรับการถดถอยข้อมูลการรอดชีพ การปรับค่าโทษแบบ LASSO สำหรับแบบจำลอง Cox ได้รับการพัฒนาในช่วงปลายทศวรรษ 1990 โดย Tibshirani (1997) ตัวแปร adaptive LASSO — ซึ่งกำหนดน้ำหนักค่าโทษเฉพาะตัวทำนายเพื่อให้ได้คุณสมบัติแบบออราเคิล — ถูกนำเสนอสำหรับการถดถอยเชิงเส้นโดย Zou (2006) และขยายไปยังแบบจำลอง Cox โดย Zhang และ Lu ในบทความ Biometrika ปี 2007 งานวิจัยต่อมาได้ขยายการปรับค่าแบบปรับค่าไปยัง group LASSO, elastic net และ SCAD variants สำหรับผลลัพธ์การรอดชีพ

ควรใช้เมื่อใด

ใช้แบบจำลอง Adaptive Cox เมื่อวัตถุประสงค์ของการวิจัยคือการสร้างแบบจำลองการทำนายการรอดชีพที่กระชับ (parsimonious) หรือเพื่อระบุชุดย่อยของตัวบ่งชี้ทางชีวภาพที่ใช้ในการพยากรณ์โรคจากชุดตัวเลือกขนาดใหญ่ โดยเฉพาะอย่างยิ่งเมื่ออัตราส่วนเหตุการณ์ต่อตัวทำนายต่ำ (เช่น มีเหตุการณ์น้อยกว่า 10 เหตุการณ์ต่อตัวแปร) เหมาะสมอย่างยิ่งสำหรับข้อมูลจีโนมิกส์ ทรานสคริปโตมิกส์ หรือข้อมูลทะเบียนผู้ป่วยแบบหลายศูนย์ ซึ่งต้องลดจำนวนคุณลักษณะหลายร้อยหรือหลายพันรายการลง อย่าใช้เป็นตัวแทนโดยตรงสำหรับการถดถอย Cox แบบคลาสสิกเมื่อชุดตัวทำนายมีขนาดเล็กและขับเคลื่อนด้วยทฤษฎี — ในการศึกษาเชิงยืนยันที่มีมิติต่ำ การถดถอย Cox มาตรฐานที่มีตัวแปรอธิบายที่กำหนดไว้ล่วงหน้าจะดีกว่า นอกจากนี้ ควรหลีกเลี่ยงวิธีนี้เมื่อสมมติฐาน proportional hazards ถูกละเมิดอย่างรุนแรงในตัวทำนายที่เลือก; ให้พิจารณาสัมประสิทธิ์ที่เปลี่ยนแปลงตามเวลา (time-varying coefficients) หรือแบบจำลองเวลาความล้มเหลวแบบเร่ง (accelerated failure time models) แทน

ข้อจำกัดและข้อควรพิจารณา

  • ต้องใช้ค่าประมาณเริ่มต้นที่เชื่อถือได้สำหรับน้ำหนักแบบปรับค่า; การวิเคราะห์เริ่มต้นที่ไม่ดี (เช่น จากแบบจำลองที่ไม่มีการปรับค่าโทษที่มีมิติสูงมาก) อาจทำให้เกิดข้อผิดพลาดในเวกเตอร์น้ำหนักได้
  • การเลือกและการอนุมานไม่สามารถทำได้บนข้อมูลชุดเดียวกันโดยไม่มีการปรับแก้ — การอนุมานหลังการเลือก (post-selection inference) ต้องใช้ขั้นตอนเฉพาะ (เช่น selective inference หรือ sample splitting)
  • สมมติฐาน proportional hazards ยังคงต้องเป็นจริงสำหรับตัวทำนายที่คงไว้; การปรับค่าโทษไม่ได้แก้ไขการละเมิดสมมติฐานหลักของแบบจำลองนี้
  • ประสิทธิภาพลดลงเมื่อมีอัตราการเซ็นเซอร์สูงมากหรือการติดตามผลสั้น เนื่องจากเหตุการณ์ที่สังเกตได้น้อยจำกัดสัญญาณ partial likelihood

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ทำการเลือกตัวแปรและการประมาณค่าผลกระทบพร้อมกันในแบบจำลองที่ปรับค่า (regularized model) เพียงครั้งเดียว
  • คุณสมบัติแบบออราเคิล (oracle property) รับประกันความถูกต้องเชิงเส้นกำกับ (asymptotic correctness) ของการเลือกตัวแปรภายใต้เงื่อนไขความสม่ำเสมอ (regularity conditions)
  • จัดการกับตัวทำนายที่มีมิติสูง (สถานการณ์ p >> n) ซึ่งการถดถอย Cox แบบคลาสสิกไม่สามารถทำได้
  • น้ำหนักแบบปรับค่าช่วยลดอคติจากการหดตัว (shrinkage bias) บนสัมประสิทธิ์ขนาดใหญ่เมื่อเทียบกับ LASSO Cox มาตรฐาน
  • สร้างอัตราส่วนภาวะเสี่ยง (hazard ratios) ที่ตีความได้สำหรับตัวทำนายที่คงไว้ ซึ่งสอดคล้องกับหลักปฏิบัติการรายงานทางคลินิก

การประยุกต์ใช้

  • การสร้างลายเซ็นการพยากรณ์โรคทางจีโนมิกส์สำหรับการรอดชีพเฉพาะมะเร็งจากข้อมูลการแสดงออกของยีนหรือ SNP arrays
  • การระบุตัวบ่งชี้ทางชีวภาพที่ใช้ในการพยากรณ์โรคที่เป็นอิสระจากชุดตัวแปรทางคลินิกขนาดใหญ่ในการศึกษาแบบ cohort ที่อิงตามทะเบียนผู้ป่วย
  • การพัฒนาคะแนนความเสี่ยงโรคหัวใจและหลอดเลือดแบบกระจัดกระจายจากคุณลักษณะบันทึกสุขภาพอิเล็กทรอนิกส์ที่มีมิติสูง
  • การเลือกตัวทำนายสำหรับเวลาสู่การจำหน่ายออกจากโรงพยาบาล หรือเวลาสู่การกำเริบของโรคในแบบจำลองการทดลองทางคลินิกแบบหลายศูนย์
  • การสร้างแบบจำลองการพยากรณ์โรคที่กระชับสำหรับผลลัพธ์ของโรคติดเชื้อ (เช่น เวลาสู่การกำจัดไวรัสหรืออัตราการเสียชีวิต) เมื่อมีเครื่องหมายทางห้องปฏิบัติการที่เป็นไปได้จำนวนมาก

วิธีการทำงาน

วิธีการทำงาน

1

กำหนดผลลัพธ์การรอดชีพเป็นคู่ (เวลาสู่เหตุการณ์ T, ตัวบ่งชี้การเซ็นเซอร์ delta) รวบรวมเมทริกซ์ตัวแปรอธิบาย X ที่มีตัวทำนาย p ตัว ตรวจสอบสมมติฐาน proportional hazards และจัดการกับเวลาเหตุการณ์ที่ผูกกัน (เช่น การประมาณค่า Breslow) ปรับมาตรฐานตัวทำนายต่อเนื่องก่อนการปรับค่าโทษเพื่อให้แน่ใจว่าค่าโทษอยู่ในมาตราส่วนเดียวกัน

2

หาค่าประมาณสัมประสิทธิ์เริ่มต้นจากแบบจำลอง Cox ที่ไม่มีการปรับค่าโทษ หรือการถดถอย Cox แบบ ridge คำนวณน้ำหนักแบบปรับค่าสำหรับแต่ละตัวทำนาย j เป็นส่วนกลับของค่าสัมบูรณ์ของค่าประมาณเริ่มต้นที่ยกกำลังแกมมา (โดยทั่วไป gamma=1 หรือ 2): w_j = 1 / |beta_j_init|^gamma ตัวทำนายที่ใกล้ศูนย์ในการวิเคราะห์เริ่มต้นจะได้รับน้ำหนักมากและจะถูกปรับค่าโทษอย่างหนัก

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

เพิ่มค่า partial log-likelihood ของแบบจำลอง Cox ให้สูงสุด ลบด้วยค่าโทษ L1 แบบถ่วงน้ำหนัก: ell(beta) - lambda * sum_j w_j |beta_j| เนื่องจากน้ำหนักแบบปรับค่า วัตถุประสงค์นี้จึงมีคุณสมบัติแบบออราเคิล (oracle property) — ภายใต้เงื่อนไขความสม่ำเสมอ (regularity conditions) ผลลัพธ์จะระบุได้อย่างถูกต้องว่าสัมประสิทธิ์ใดเป็นศูนย์ และประมาณค่าสัมประสิทธิ์ที่ไม่เป็นศูนย์ด้วยการแจกแจงเชิงเส้นกำกับ (asymptotic distribution) เดียวกันราวกับว่าทราบตัวแปรที่แท้จริง

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

เส้นทางของผลลัพธ์ (solution path) จะสร้างชุดตัวทำนายที่เลือกแบบกระจัดกระจาย (sparse set) (ตัวที่มีสัมประสิทธิ์ไม่เป็นศูนย์) สัมประสิทธิ์ที่ถูกลดค่าให้เป็นศูนย์อย่างแม่นยำจะถูกตัดออกจากแบบจำลองสุดท้าย ตัวทำนายที่เลือกและค่าประมาณอัตราส่วนภาวะเสี่ยง (hazard-ratio estimates) (exp(beta_j)) จะประกอบกันเป็นแบบจำลองการรอดชีพสุดท้าย

5

เลือกพารามิเตอร์ค่าโทษ lambda โดยใช้ cross-validated partial likelihood หรือเกณฑ์สารสนเทศ (information criteria) (AIC, BIC, extended BIC สำหรับการตั้งค่าที่มีมิติสูง) ในการวิเคราะห์การรอดชีพ การตรวจสอบความถูกต้องแบบ K-fold cross-validation ใช้ partial log-likelihood กับข้อมูลที่ถูกแยกออก (held-out folds) การค้นหาแบบกริด (grid search) บนลำดับ lambda แบบ log-scale เป็นวิธีมาตรฐาน

6

ประเมินประสิทธิภาพการทำนายด้วยดัชนีความสอดคล้อง (concordance index หรือ C-index / Harrell's C) บนชุดข้อมูลทดสอบอิสระ หรือผ่านการตรวจสอบความถูกต้องแบบ nested cross-validation รายงานการสอบเทียบ (calibration) ของความน่าจะเป็นการรอดชีพที่ทำนายไว้ ณ ขอบเขตเวลาที่มีความสำคัญทางคลินิก ตรวจสอบสมมติฐาน proportional hazards สำหรับตัวทำนายที่คงไว้โดยใช้ Schoenfeld residuals

ข้อผิดพลาดที่พบบ่อย

  • การใช้ชุดข้อมูลเดียวกันสำหรับการปรับจูน lambda และการประเมินแบบจำลองสุดท้ายโดยไม่มีวงจรการตรวจสอบความถูกต้องภายนอก (outer validation loop) จะทำให้ C-index ที่ปรากฏสูงเกินจริง; ควรใช้ nested cross-validation หรือชุดข้อมูลทดสอบที่แยกออกเสมอ
  • การละเลยอัตราส่วนเหตุการณ์ต่อตัวแปรสำหรับการวิเคราะห์เริ่มต้น — หากแบบจำลอง Cox ที่ไม่มีการปรับค่าโทษเริ่มต้นถูกรันด้วยตัวทำนายที่มากกว่าเหตุการณ์ ค่าประมาณเริ่มต้นจะไม่น่าเชื่อถือ ซึ่งจะทำให้ค่าน้ำหนักแบบปรับค่าผิดพลาด
  • การถือว่าตัวทำนายที่เลือกได้รับการยืนยันโดยไม่รับทราบปัญหาการเปรียบเทียบหลายรายการ — การเลือกตัวแปรเป็นกระบวนการที่ขับเคลื่อนด้วยข้อมูล และตัวทำนายที่เลือกควรได้รับการตรวจสอบความถูกต้องในกลุ่มประชากรศึกษาอิสระก่อนการนำไปใช้ทางคลินิก
  • การไม่ตรวจสอบสมมติฐาน proportional hazards บนแบบจำลองที่เลือกสุดท้าย — ควรตรวจสอบ Schoenfeld residual plots สำหรับแต่ละตัวทำนายที่คงไว้หลังการเลือก
  • การละเว้นการปรับมาตรฐานตัวทำนายต่อเนื่องก่อนการปรับค่า — ข้อมูลนำเข้าที่ไม่ได้มาตรฐานจะสร้างพจน์ค่าโทษบนมาตราส่วนที่ไม่เข้ากัน ซึ่งบิดเบือนการเลือกตัวแปร

คำถามที่พบบ่อย

การถดถอย Cox แบบปรับค่าแตกต่างจากการถดถอย LASSO Cox ทั่วไปอย่างไร?

การถดถอย LASSO Cox มาตรฐานใช้น้ำหนักค่าโทษเดียวกันกับตัวทำนายทั้งหมด ซึ่งทำให้เกิดอคติจากการหดตัว (shrinkage bias) บนสัมประสิทธิ์จริงขนาดใหญ่และขาดคุณสมบัติแบบออราเคิล (oracle property) — อาจไม่สามารถเลือกแบบจำลองที่ถูกต้องได้อย่างสม่ำเสมอในตัวอย่างขนาดใหญ่ การถดถอย Cox แบบปรับค่าจะกำหนดน้ำหนักให้กับแต่ละตัวทำนายซึ่งเป็นสัดส่วนผกผันกับผลกระทบที่ประมาณค่าเริ่มต้น: ตัวทำนายที่มีผลกระทบมากจะถูกปรับค่าโทษน้อย (ลดอคติ) ในขณะที่ตัวทำนายที่ใกล้ศูนย์จะถูกปรับค่าโทษมาก (ปรับปรุงการเลือก) การถ่วงน้ำหนักแบบปรับค่านี้ทำให้วิธีนี้มีคุณสมบัติแบบออราเคิลภายใต้เงื่อนไขความสม่ำเสมอ

ฉันควรใช้ตัวประมาณค่าเริ่มต้นใดสำหรับน้ำหนักแบบปรับค่า?

ทางเลือกทั่วไปคือตัวประมาณค่า partial likelihood ของ Cox ที่ไม่มีการปรับค่าโทษ (เป็นไปได้เมื่อ n > p และแบบจำลองเริ่มต้นมีความเสถียร), การถดถอย Cox แบบ ridge (แนะนำเมื่อ p มีขนาดใหญ่หรือใกล้เคียงกับ n เนื่องจาก ridge ให้ค่าประมาณที่จำกัดเสมอ) หรือตัวประมาณค่าการคัดกรองแบบ marginal Ridge-initialized adaptive LASSO เป็นแนวทางที่แนะนำอย่างกว้างขวางที่สุดในการตั้งค่าการรอดชีพที่มีมิติสูง

ฉันสามารถรายงานอัตราส่วนภาวะเสี่ยงสำหรับตัวแปรที่เลือกราวกับว่ามาจากแบบจำลอง Cox มาตรฐานได้หรือไม่?

ค่าประมาณจุด (point estimates) มีความหมายเทียบเท่ากับอัตราส่วนภาวะเสี่ยงของ Cox มาตรฐาน แต่ค่าความคลาดเคลื่อนมาตรฐาน (standard errors) และช่วงความเชื่อมั่น (confidence intervals) ที่คำนวณราวกับว่าไม่มีการเลือกนั้นไม่ถูกต้อง — พวกมันละเลยขั้นตอนการเลือกและแคบเกินไป สำหรับการอนุมานหลังการเลือก ให้ใช้ช่วงความเชื่อมั่นแบบ bootstrap, การแบ่งตัวอย่าง (sample-splitting) หรือวิธีการอนุมานแบบเลือก (selective inference methods) ที่ออกแบบมาโดยเฉพาะสำหรับแบบจำลองการรอดชีพหลังการเลือก

ฉันจะเลือกพารามิเตอร์การปรับจูน lambda ได้อย่างไร?

แนวทางที่พบบ่อยที่สุดคือ K-fold cross-validation (K=5 หรือ 10) โดยเพิ่มค่า partial log-likelihood ที่ตรวจสอบความถูกต้องแบบ cross-validated ให้สูงสุด นอกจากนี้ยังสามารถใช้ BIC หรือ extended BIC (สำหรับข้อมูลที่มีมิติสูงมาก) ซึ่งมักจะเลือกแบบจำลองที่กระจัดกระจายกว่า การเลือกเกณฑ์มีผลต่อขนาดของแบบจำลอง: cross-validation มักจะนำไปสู่แบบจำลองที่ใหญ่ขึ้นพร้อมการทำนายที่ดีขึ้น; BIC มักจะนำไปสู่แบบจำลองที่เล็กลงพร้อมความสอดคล้องในการเลือกที่ดีขึ้น

สมมติฐาน proportional hazards ยังคงต้องได้รับการตรวจสอบหลังจากการเลือกแบบปรับค่าหรือไม่?

ใช่ การปรับค่าโทษจะเลือกตัวทำนายแต่ไม่ได้ตรวจสอบหรือบังคับใช้ proportional hazards หลังจากสรุปแบบจำลองแล้ว ควรสร้างการทดสอบและพล็อต Schoenfeld residual สำหรับแต่ละตัวทำนายที่คงไว้ การละเมิดอาจต้องเพิ่มพจน์ปฏิสัมพันธ์ระหว่างเวลาและตัวแปรอธิบาย (time-by-covariate interaction terms) หรือเปลี่ยนไปใช้แบบจำลองการรอดชีพทางเลือกสำหรับตัวทำนายที่มีปัญหา

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว