İçeriğe atla
Arama sonuçlarına dön

Uyarlanabilir Cox Orantılı Tehlikeler — Otomatik Değişken Seçimli Cezalı Sağkalım Regresyonu

Ortaya koyan
Hao Helen Zhang & Wenbin Lu (adaptive LASSO formulation); base Cox model by David R. Cox
Yıl
2007 (adaptive LASSO variant); base Cox model 1972
Tür
Penalized semi-parametric survival regression
Aile
Clinical / epidemiology

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Uyarlanabilir Cox Orantılı Tehlikeler modeli, zaman-olay çıktıları için klasik Cox regresyonunu, uyarlanabilir LASSO (veya ilgili) cezalandırması ekleyerek genişletir.

Eş zamanlı olarak tehlike oranlarını tahmin eder ve değişken seçimi yapar, ilgisiz kovaryet katsayılarını tam olarak sıfıra indirir. Bu, özellikle olay sayısına kıyasla aday öngörücü sayısının fazla olduğu yüksek boyutlu klinik veya genomik veri kümelerinde onu değerli kılar.

Yöntemin mantığı

Çok sayıda öngörücünün sağkalım çıktılarını açıklamak için yarıştığı — genomik veya çok merkezli klinik çalışmalarda yaygın bir durum — durumlarda klasik Cox regresyonu kararsız hale gelebilir veya başarısız olabilir. Uyarlanabilir Cox modeli, her bir katsayıya bir ceza uygular, ancak ceza kritik olarak her bir öngörücüye göre ayarlanır: ilk aşama uyumda bilgilendirici görünen değişkenler hafif bir ceza alır ve kalmalarına izin verilirken, gürültü benzeri görünen değişkenler ağır bir ceza alır ve tam olarak sıfıra indirilir, nihai modelden etkili bir şekilde hariç tutulur. Bu iki aşamalı uyarlanabilir ağırlıklandırma, yönteme başlangıçtan itibaren doğru öngörücü alt kümesini bilmiş gibi iyi performans gösterme yeteneği olan oracle özelliğini verir.

Tarih

Cox orantılı tehlikeler modeli, David R. Cox tarafından 1972 tarihli önemli Journal of the Royal Statistical Society makalesinde tanıtılmış, sağkalım verileri üzerinde regresyon için kısmi olabilirlik çerçevesini oluşturmuştur. Cox modeli için LASSO cezalandırması, 1990'ların sonunda Tibshirani (1997) tarafından geliştirilmiştir. Oracle özelliğini elde etmek için öngörücüye özgü ceza ağırlıkları atayan uyarlanabilir LASSO varyantı — ilk olarak Zou (2006) tarafından doğrusal regresyon için tanıtılmış ve Zhang ve Lu tarafından 2007 Biometrika makalelerinde Cox modeline genişletilmiştir. Sonraki çalışmalar, sağkalım çıktıları için grup LASSO, elastik net ve SCAD varyantlarına uyarlanabilir cezalandırmayı genişletmiştir.

Ne zaman kullanılır?

Araştırma amacı, seyrek bir sağkalım tahmin modeli oluşturmak veya büyük bir aday kümesinden bir öngörücü biyobelirteç alt kümesi belirlemek olduğunda, özellikle olay-değişken oranı düşük olduğunda (örneğin, değişkene düşen olay sayısı 10'dan az) Uyarlanabilir Cox Modelini kullanın. Yüzlerce veya binlerce özelliğin azaltılması gereken genomik, transkriptomik veya çok merkezli kayıt verileri için uygundur. Öngörücü kümesinin küçük ve teori odaklı olduğu düşük boyutlu onay çalışmalarında, önceden belirlenmiş kovaryetlerle standart Cox regresyonu tercih edilirken, klasik Cox regresyonunun yerine doğrudan kullanılmamalıdır. Ayrıca, orantılı tehlikeler varsayımının seçilen öngörücüler için ciddi şekilde ihlal edildiği durumlarda da bu yöntemden kaçının; bunun yerine zamanla değişen katsayılar veya hızlandırılmış başarısızlık zamanı modelleri düşünülebilir.

Sınırlar ve dikkat edilmesi gerekenler

  • Uyarlanabilir ağırlıklar için güvenilir bir ilk tahmin gerektirir; kötü ilk uyumlar (örneğin, çok yüksek boyutlu cezasız bir modelden) hataları ağırlık vektörüne yayabilir.
  • Aynı veri üzerinde seçim ve çıkarım ayarlama yapılmadan gerçekleştirilemez — seçim sonrası çıkarım özel prosedürler gerektirir (örneğin, seçici çıkarım veya örnek bölme).
  • Orantılı tehlikeler varsayımı, tutulan öngörücüler için hala geçerli olmalıdır; cezalandırma, bu temel model varsayımının ihlallerini çözmez.
  • Çok yüksek sansür oranları veya kısa takip süreleri ile performans düşer, çünkü az sayıda gözlemlenen olay kısmi olabilirlik sinyalini sınırlar.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Tek bir düzenlileştirilmiş model uyumunda eş zamanlı değişken seçimi ve etki tahmini gerçekleştirir.
  • Oracle özelliği, düzenlilik koşulları altında değişken seçiminin asimptotik doğruluğunu garanti eder.
  • Klasik Cox regresyonunun uygulanamadığı yüksek boyutlu öngörücüler (p >> n senaryoları) ile başa çıkar.
  • Uyarlanabilir ağırlıklar, standart LASSO Cox'a kıyasla büyük katsayılar üzerindeki büzülme yanlılığını azaltır.
  • Klinik raporlama gelenekleriyle tutarlı, tutulan öngörücüler için yorumlanabilir tehlike oranları üretir.

Uygulama alanları

  • Gen kanseri sağkalımı için gen ifadesi veya SNP dizilerinden genomik prognostik imzalar oluşturma.
  • Kayıt tabanlı kohort çalışmalarında büyük klinik değişken kümeleri arasında bağımsız prognostik biyobelirteçleri belirleme.
  • Yüksek boyutlu elektronik sağlık kayıt özellikleri setinden seyrek kardiyovasküler risk skorları geliştirme.
  • Çok merkezli klinik çalışmalarda hastaneden taburcu olma veya nüks etme zamanı için öngörücüleri seçme.
  • Çok sayıda aday laboratuvar markerinin mevcut olduğu durumlarda, enfeksiyon hastalığı çıktıları (örneğin, virüs temizlenme veya mortalite zamanı) için seyrek prognostik modeller oluşturma.

Nasıl çalışır?

Nasıl çalışır?

1

Sağkalım çıktısını (olay zamanı T, sansürleme göstergesi delta) bir çift olarak tanımlayın. p öngörücülü kovaryet matrisini X oluşturun. Orantılı tehlikeler varsayımlarını doğrulayın ve bağlı olay zamanlarını ele alın (örneğin, Breslow yaklaşımı). Cezalandırmadan önce sürekli öngörücüleri standartlaştırarak cezanın ortak bir ölçekte olmasını sağlayın.

2

Ceza uygulanmamış bir Cox modelinden veya ridge Cox regresyonundan ilk katsayı tahminlerini elde edin. Her bir j öngörücüsü için uyarlanabilir ağırlıkları, ilk tahminin mutlak değerinin bir gama üssüne (yaygın olarak gama=1 veya 2) tersi olarak hesaplayın: w_j = 1 / |beta_j_init|^gamma. İlk uyumda sıfıra yakın olan öngörücüler büyük ağırlıklar alır ve ağır şekilde cezalandırılır.

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

Cox modelinin kısmi log-olabilirlik fonksiyonundan ağırlıklı L1 cezasını çıkararak elde edilen ifadeyi maksimize edin: ell(beta) - lambda * sum_j w_j |beta_j|. Uyarlanabilir ağırlıklar nedeniyle, bu hedef oracle özelliğine sahiptir — düzenlilik koşulları altında, çözüm hangi katsayıların sıfır olduğunu doğru bir şekilde belirler ve sıfır olmayanları, doğru destek kümesi biliniyormuş gibi aynı asimptotik dağılımla tahmin eder.

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

Çözüm yolu, seyrek bir öngörücü kümesi üretir (sıfır olmayan katsayılara sahip olanlar). Tam olarak sıfıra indirilen katsayılar nihai modelden hariç tutulur. Seçilen öngörücüler ve bunların tehlike oranı tahminleri (exp(beta_j)), nihai sağkalım modelini oluşturur.

5

Ceza parametresi lambda'yı çapraz doğrulama ile elde edilen kısmi olabilirlik veya bilgi kriterleri (AIC, BIC, yüksek boyutlu ayarlar için genişletilmiş BIC) ile seçin. Sağkalım analizinde, K-katlı çapraz doğrulama, tutulmuş katlarda kısmi log-olabilirlik kullanır. Lambda dizisi üzerinde bir ızgara araması standarttır.

6

Bağımsız bir test kümesi üzerinde veya iç içe geçmiş çapraz doğrulama yoluyla uygunluk indeksi (C-indeksi / Harrell'in C'si) ile tahmin performansını değerlendirin. Klinik olarak ilgili zaman ufuklarında tahmin edilen sağkalım olasılıklarının kalibrasyonunu raporlayın. Tutulan öngörücüler için orantılı tehlikeler varsayımını Schoenfeld kalıntılarını kullanarak kontrol edin.

Sık yapılan hatalar

  • Lambda ayarlaması ve nihai model değerlendirmesi için aynı veri kümesinin kullanılması, dış bir doğrulama döngüsü olmadan görünen C-indeksini şişirir; her zaman iç içe geçmiş çapraz doğrulama veya ayrılmış bir test kümesi kullanın.
  • İlk uyum için olay-değişken oranının göz ardı edilmesi — ilk cezasız Cox modeli, olay sayısından daha fazla öngörücü ile çalıştırılırsa, ilk tahminler güvenilmezdir ve uyarlanabilir ağırlıkları bozar.
  • Seçilen öngörücülerin, çoklu karşılaştırma sorunları kabul edilmeden doğrulanmış gibi ele alınması — değişken seçimi veri odaklı bir süreçtir ve seçilen öngörücülerin klinik çeviri öncesinde bağımsız bir kohortta doğrulanması gerekir.
  • Nihai seçilmiş model üzerinde orantılı tehlikeler varsayımının kontrol edilmemesi — seçimden sonra her bir tutulan öngörücü için Schoenfeld kalıntı grafikleri incelenmelidir.
  • Sürekli öngörücülerin uyum öncesi standartlaştırılmasının ihmal edilmesi — standartlaştırılmamış girdiler, değişken seçimi bozan uyumsuz ölçeklerde ceza terimleri üretir.

Sık sorulan sorular

Uyarlanabilir Cox regresyonu, sıradan LASSO Cox regresyonundan nasıl farklıdır?

Standart LASSO Cox regresyonu, tüm öngörücülere aynı ceza ağırlığını uygular, bu da büyük gerçek katsayılar üzerinde büzülme yanlılığına neden olur ve oracle özelliğinden yoksundur — büyük örneklemlerde doğru modeli tutarlı bir şekilde seçmeyebilir. Uyarlanabilir Cox regresyonu, her bir öngörücüye ilk tahmin edilen etkisine ters orantılı bir ağırlık atar: büyük etkili öngörücüler hafifçe cezalandırılır (yanlılık azaltılır), sıfıra yakın öngörücüler ise ağır şekilde cezalandırılır (seçim iyileştirilir). Bu uyarlanabilir ağırlıklandırma, yönteme düzenlilik koşulları altında oracle özelliğini verir.

Uyarlanabilir ağırlıklar için hangi ilk tahminci kullanılmalıdır?

Yaygın seçenekler, ceza uygulanmamış Cox kısmi olabilirlik tahmincisidir (n > p ve ilk model kararlı olduğunda uygundur), ridge Cox regresyonudur (p, n'ye büyük veya yakın olduğunda önerilir çünkü ridge her zaman sonlu tahminler üretir) veya marjinal bir tarama tahmincisidir. Ridge ile başlatılan uyarlanabilir LASSO, yüksek boyutlu sağkalım ayarlarında en yaygın önerilen yaklaşımdır.

Seçilen değişkenler için tehlike oranlarını, standart bir Cox modelinden geliyormuş gibi rapor edebilir miyim?

Nokta tahminleri, standart Cox tehlike oranlarıyla anlam olarak karşılaştırılabilir, ancak hiçbir seçim yapılmamış gibi hesaplanan standart hatalar ve güven aralıkları geçersizdir — seçim adımını göz ardı ederler ve çok dardırlar. Seçim sonrası çıkarım için, bootstrap güven aralıklarını, örnek bölmeyi veya seçim sonrası sağkalım modelleri için özel olarak tasarlanmış seçici çıkarım yöntemlerini kullanın.

Ayar parametresi lambda'yı nasıl seçerim?

En yaygın yaklaşım, çapraz doğrulamayla elde edilen kısmi log-olabilirlik fonksiyonunu maksimize eden K-katlı çapraz doğrulamadır (K=5 veya 10). BIC veya genişletilmiş BIC (çok yüksek boyutlu veriler için) de kullanılabilir ve daha seyrek modelleri seçme eğilimindedir. Kriter seçimi model boyutunu etkiler: çapraz doğrulama daha iyi tahminli daha büyük modelleri, BIC ise daha iyi seçim tutarlılığına sahip daha küçük modelleri tercih eder.

Uyarlanabilir seçimden sonra orantılı tehlikeler varsayımının hala kontrol edilmesi gerekiyor mu?

Evet. Cezalandırma öngörücüleri seçer ancak orantılı tehlikeleri doğrulamaz veya zorlamaz. Modeli sonlandırdıktan sonra, her bir tutulan öngörücü için Schoenfeld kalıntı testleri ve grafikleri üretilmelidir. İhlaller, zaman-kovaryet etkileşim terimleri eklemeyi veya ilgisiz öngörücüler için alternatif bir sağkalım modeline geçmeyi gerektirebilir.

İlgili yöntemler

Kaynaklar

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

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

    DOI kaynağını aç
    Kopyalandı.