SEER 데이터를 이용한 다양한 딥러닝 생존분석 모형들의 비교연구 (Comparative study of deep learning methods for survival outcomes: applications to SEER data)

서지정보

· 발행기관 : 한국통계학회
· 수록지 정보 : 응용통계연구 / 38권 / 1호 / 45 ~ 62페이지
· 저자명 : 박근호, 민은정

초록

생존분석은 관심 사건이 발생할 때까지의 시간을 분석하는 방법으로, 다양한 분야에 적용이 가능하다. 최근 딥러닝 분야가 주목받으면서 생존 데이터를 분석하기 위해 딥러닝 모형을 활용하려는 관심이 증가하고 있다. 이에 본 연구는 생존분석에서 흔히 사용되는 전통적인 생존분석 모형과 딥러닝 모형의 성능을 비교하는 것을 목표로 한다. 비교된 모형들은 Cox-PH모형, AFT모형, RSF AORSF 같은 머신러닝 모형, 그리고 DeepSurv DeepHit 같은 딥러닝 모형으로 총 6가지이다. 표본 크기에 따른 선형 및 비선형 위험 함수 하에서 광범위한 모의실험이 수행되었으며, 다양한 절단율에 따른 모형 성능을 비교하였다. 또한, SEER 데이터에서 갑상선암과 폐암 데이터를 사용한 실증 분석을 통해 실제 데이터에서의 모형 성능을 평가하였다.

영어초록

Survival analysis is a method used to examine the time until the occurrence of an event of interest and can be applied across various fields. With the increasing attention given to the field of deep learning, there has been a growing interest in utilizing deep learning models to analyze survival data. In this context, our study aims to compare the performance of traditional statistical models commonly used in survival analysis with that of deep learning models. The models considered include the Cox proportional hazards (Cox-PH) model, the accelerated failure time (AFT) model, machine learning models such as the random survival forest (RSF) and accelerated oblique random survival forest (AORSF), as well as deep learning models such as DeepSurv and DeepHit, resulting in a total of six models. For a range of sample sizes, extensive simulation studies were conducted under both linear and nonlinear log-risk functions, with model performance compared across varying censoring rates. Additionally, an empirical analyses using thyroid cancer and lung cancer data from the SEER database were performed to evaluate model performance on real-world data.

참고자료

· 없음