Dá sa z veku a stupňa nádoru predpovedať jeho veľkosť?
Prognostické využitie lineárneho regresného modelu
Výskumná otázka
O koľko sa zlepší predpoveď zaznamenanej veľkosti nádoru, keď k veku pacientky pridáme stupeň nádoru? Predstavme si, že poznáme vek a výsledok hodnotenia tkaniva, ale hodnotu veľkosti sme skryli. Na testovacej vzorke ju odkryjeme až pri hodnotení presnosti. Ide o učebnú simuláciu predikcie pre nový záznam.
Pôvodná otázka o rýchlosti rastu by si vyžadovala aspoň dve merania toho istého nádoru. Priemerná rýchlosť zmeny veľkosti medzi nimi by bola \(v_i=(S_{i,2}-S_{i,1})/(t_{i,2}-t_{i,1})\). Súbor obsahuje jednu veľkosť na záznam. Premenná Survival Months meria dĺžku sledovania pacientky a neposkytuje druhé meranie nádoru.
Údaje a výber premenných
Zdrojom je priložený súbor Breast_Cancer (1).csv. Cieľovou premennou je Tumor Size. Jednotka nie je uvedená v hlavičke CSV, preto veľkosti aj chyby uvádzame v jednotkách pôvodného stĺpca. Age je vek v rokoch. Grade opisuje, ako bunky nádoru vyzerajú pri vyšetrení tkaniva. Vyšší stupeň znamená, že sa vzhľadom viac líšia od bežných buniek. Stupeň sám neudáva rýchlosť rastu konkrétneho nádoru.
Stĺpec differentiate vyjadruje rovnakú informáciu ako Grade. Stupeň ponecháme ako kategóriu, aby model nemusel predpokladať rovnako veľké rozdiely medzi susednými stupňami. Štádiá T a celkové štádium vynecháme, pretože ich určenie už využíva informáciu o veľkosti. Výsledok sledovania a dĺžku sledovania by sme pri predikcii ešte nepoznali. Na porovnanie veku a stupňa nepotrebujeme receptorové ukazovatele.
Súbor má 4 024 riadkov a 16 stĺpcov. Jedna dvojica sa zhoduje vo všetkých stĺpcoch. Chýba identifikátor pacientky, preto nevieme potvrdiť, či ide o rovnakú osobu. Pre toto cvičenie zhodný profil ponecháme raz, aby sa rovnaký celý záznam nedostal do oboch vzoriek. Zostáva 4 023 záznamov. Výsledky sa týkajú sledovanej skupiny vo veku 30 až 69 rokov a so štádiami IIA až IIIC.
Na odhad použijeme 3 218 záznamov, na test 805. Všetky modely dostanú rovnakú testovaciu vzorku. Predchádzajúci opis celého súboru už ovplyvnil výber premenných, preto test predstavuje vnútorné hodnotenie v tomto súbore. Grafy na preskúmanie vzťahov vytvoríme len z odhadovej vzorky.
Zobraziť kód v R
op <-par(mfrow =c(1, 2))hist(odhad$velkost, breaks =seq(0, 140, 10), col ="#88bcb1",xlab ="Veľkosť nádoru", ylab ="Počet záznamov", main ="Rozdelenie veľkostí")boxplot(velkost ~ stupen, odhad, col ="#b4d4ce", xlab ="Stupeň nádoru",ylab ="Veľkosť nádoru", main ="Porovnanie stupňov")
Veľkosti nádorov v odhadovej vzorke a ich rozdelenie podľa stupňa.
Zobraziť kód v R
par(op)
Rozdelenie má dlhý pravý chvost. Aj v rámci jedného stupňa sa vyskytujú malé aj veľké nádory. Graf tak vysvetľuje, prečo môže stupeň pomôcť pri odhade priemeru skupiny, hoci presná veľkosť konkrétneho nádoru zostáva neistá.
Tri bodové prognózy
Referenčný model každému priradí priemer odhadovej vzorky, \(\hat y_{0i}=\bar y_{odhad}\). Prvý regresný model použije iba vek, \(\hat y_{1i}=b_0+b_1 vek_i\). Druhý pridá tri indikátory stupňa:
Pri rovnakom veku je odhad pre stupeň 3 približne o 7,02 jednotky vyšší ako pre stupeň 1. Koeficient veku je približne −0,124 jednotky za rok pri rovnakom stupni. Vyjadruje rozdiel medzi pacientkami rôzneho veku. Osobitne opatrne čítame výsledok pre stupeň 4, ktorý má v pôvodnom súbore iba 19 záznamov.
Chyby na testovacej vzorke
Pre každé testovacie pozorovanie vypočítame \(e_i=y_i-\hat y_i\). Kladná chyba označuje podhodnotenie. Pre \(m\) testovacích záznamov platí:
metriky <-function(y, p) { e <- y - p rmse <-sqrt(mean(e^2))c(ME =mean(e), MAE =mean(abs(e)), MSE =mean(e^2), RMSE = rmse,MAPE =100*mean(abs(e / y)),U1 = rmse / (sqrt(mean(p^2)) +sqrt(mean(y^2))))}vysledky <-t(vapply(pred, function(p) metriky(y, p), numeric(6)))knitr::kable(vysledky, digits =3)
ME
MAE
MSE
RMSE
MAPE
U1
Priemer
-1.019
15.435
412.529
20.311
80.341
0.305
Vek
-1.111
15.373
407.219
20.180
79.883
0.302
Vek_a_stupen
-1.131
15.288
401.354
20.034
78.547
0.300
Priemer má MAE 15,435, model s vekom 15,373 a model s vekom a stupňom 15,288. Pridaním stupňa sa MAE zlepší iba o 0,086 jednotky oproti samotnému veku. RMSE rozšíreného modelu je 20,034. Vyššia hodnota oproti MAE odráža väčšiu váhu veľkých chýb. ME je −1,131, takže odhady sú v priemere mierne privysoké. MAPE dosahuje 78,5 %; pri veľmi malom skutočnom nádore môže aj malý rozdiel tvoriť veľké percento. Pre túto úlohu sa preto ľahšie interpretuje MAE. Pri \(U_1\) znamená nula dokonalú zhodu.
Zobraziť kód v R
op <-par(mfrow =c(1, 2))farba <-adjustcolor("#21685d", alpha.f =0.35)lim <-range(y, yh)plot(y, yh, xlim = lim, ylim = lim, pch =16, col = farba,xlab ="Skutočná veľkosť", ylab ="Predpoveď", main ="Zhoda s meraním")abline(0, 1, col ="#a34c34", lwd =2)plot(yh, y-yh, pch =16, col = farba, xlab ="Predpoveď",ylab ="Skutočnosť mínus predpoveď", main ="Chyby prognózy")abline(h =0, col ="#a34c34", lwd =2)
Predpovede druhého modelu a ich chyby na testovacej vzorke.
Zobraziť kód v R
par(op)
Vľavo body pod diagonálou označujú podhodnotené nádory. Pri veľkých nameraných hodnotách je podhodnotenie výrazné. Rozpätie predpovedí je úzke vzhľadom na rozpätie skutočných veľkostí.
Theilov rozklad MSE
Nech \(s_y\) a \(s_p\) sú smerodajné odchýlky skutočností a predpovedí s deliteľom \(m\) a \(c_{yp}\) ich kovariancia s rovnakým deliteľom. Tri podiely sú:
rozklad <-function(y, p) { a <- y -mean(y) b <- p -mean(p) sy <-sqrt(mean(a^2)) sp <-sqrt(mean(b^2)) mse <-mean((y-p)^2)if (mse ==0) return(c(Priemer =NA, Variabilita =NA, Subeznost =NA)) u <-c(Priemer = (mean(y)-mean(p))^2, Variabilita = (sy-sp)^2,Subeznost =2*(sy*sp-mean(a*b))) / msestopifnot(abs(sum(u)-1) <1e-8) u}podiely <-t(vapply(pred[-1], function(p) rozklad(y, p), numeric(3)))knitr::kable(100* podiely, digits =2, caption ="Podiel na MSE (%)")
Podiel na MSE (%)
Priemer
Variabilita
Subeznost
Vek
0.30
87.76
11.94
Vek_a_stupen
0.32
76.88
22.80
Zobraziť kód v R
barplot(100* podiely[2, ], names.arg =c("Priemer", "Variabilita", "Súbežnosť"),col =c("#aaccc5", "#246b61", "#d99b74"), ylim =c(0,100),ylab ="Podiel na MSE (%)", main ="Z čoho sa skladá chyba druhého modelu?")
V rozšírenom modeli pripadá 0,32 % MSE na rozdiel priemerov, 76,88 % na rozdiel variability a 22,80 % na nedokonalú súbežnosť. Predpovede sú teda príliš sústredené okolo priemeru. Ide o algebraický rozklad chyby.
Interval pre priemer a pre konkrétnu pacientku
Pre profil \(x_0\) definujeme \(h_0=x_0^\top(X^\top X)^{-1}x_0\). Ak \(s\) je odhad reziduálnej smerodajnej odchýlky a \(t^*\) príslušný 97,5. percentil Studentovho rozdelenia s \(n_{odhad}-p\) stupňami voľnosti, klasické 95 % intervaly majú tvar:
Prvá testovacia pacientka má 46 rokov a stupeň 3. Model predpovedá 35,12, nameraná veľkosť je 59. Pre priemer skupiny vychádza interval 33,63 až 36,62 (šírka 2,99 pred zaokrúhlením). Pre jednu pacientku je interval −6,39 až 76,64 (šírka 83,03), lebo zahŕňa aj rozdiely medzi pacientkami s rovnakým profilom. Záporná hranica je fyzicky nemožná. Ponechávame ju viditeľnú ako obmedzenie lineárneho modelu. Klasické intervaly predpokladajú nezávislé chyby s rovnakým rozptylom a pri presnej intervalovej inferencii aj normálne rozdelenie chýb. Do predikčných intervalov spadlo 770 z 805 hodnôt (95,65 %). Toto celkové pokrytie nezaručuje rovnakú presnosť pre každú skupinu.
Pri druhom rozdelení má rozšírený model opäť najnižšie MAE (15,358) aj RMSE (20,472). Prínos stupňa zostáva malý. Pri prvom rozdelení rozšírený model znižuje MAE oproti predpovedi priemerom iba približne o 0,95 %. Z veku a stupňa teda vieme odhadnúť priemerné rozdiely, ale pre konkrétnu pacientku zostáva veľká neistota. Pre dôkladnejšie hodnotenie by sme opakovali celý výber a odhad modelu v rámci krížovej validácie a konečný výber overili na ďalšom nezávislom súbore.