观测健康数据分层与时间变化Cox模型的高效GPU加速拟合
统计计算
2023-10-26 v1
摘要
Cox比例风险模型是医学研究及许多其他领域中广泛使用的生存分析半参数方法。Cox模型的众多扩展进一步拓展了其适用性。然而，当将许多此类扩展应用于日益复杂和庞大的现代观测健康数据集时，出现了统计计算挑战。为应对这些挑战，我们展示了如何通过图形处理单元（GPU）的大规模并行化来提升分层Cox模型、带时变协变量的Cox模型以及带时变系数的Cox模型的可扩展性。首先，我们确立了在使用离散时间事件数据时，带时变系数的Cox模型如何转化为带时变协变量的Cox模型。随后我们展示了如何将这两者均重构为分层Cox模型，并识别出在大规模评估经分段的偏似然及其关于回归系数的梯度时所共有的计算瓶颈。这些计算对应于一种高度变换的分段扫描操作。尽管该瓶颈并非多核并行化的直观目标，我们将其转化为非分段操作以利用高效的多核并行扫描算法。我们的大规模并行实现显著加速了具有分层或时变效应的大规模高维Cox模型的拟合，相较传统的基于中央处理单元的实现实现了数量级的加速。
引用
@article{arxiv.2310.16238,
title = {Efficient GPU-accelerated fitting of observational health-scaled stratified and time-varying Cox models},
author = {Jianxiao Yang and Martijn J. Schuemie and Marc A. Suchard},
journal= {arXiv preprint arXiv:2310.16238},
year = {2023}
}