[論文レビュー] A Bayesian Approach for Medical Inquiry and Disease Inference in Automated Differential Diagnosis

Hong Guan, Chitta Baral|arXiv (Cornell University)|Oct 15, 2021

Machine Learning in Healthcare参考文献 21被引用数 4

ひとこと要約

本論文は、疾患予測のためのベイジアン推論と、能動的医療質問のためのベイジアン実験設計を統合するベイジアンフレームワークを提案する。QMR信念ネットワークを活用し、多段階先読み探索を拡張することで、シミュレートされたデータセットでは最先端の性能を達成し、対話データセットでも競争力ある結果を示す。再訓練を必要とせず、解釈可能性、スケーラビリティ、適応性に優れる。

ABSTRACT

We propose a Bayesian approach for both medical inquiry and disease inference, the two major phases in differential diagnosis. Unlike previous work that simulates data from given probabilities and uses ML algorithms on them, we directly use the Quick Medical Reference (QMR) belief network, and apply Bayesian inference in the inference phase and Bayesian experimental design in the inquiry phase. Moreover, we improve the inquiry phase by extending the Bayesian experimental design framework from one-step search to multi-step search. Our approach has some practical advantages as it is interpretable, free of costly training, and able to adapt to new changes without any additional effort. Our experiments show that our approach achieves new state-of-the-art results on two simulated datasets, SymCAT and HPO, and competitive results on two diagnosis dialogue datasets, Muzhi and Dxy.

研究の動機と目的

• 能動的質問と最終的な疾患同定の両方を支援する、スケーラブルで解釈可能かつ適応可能な自動的鑑別診断システムの開発。
• 既存の機械学習や強化学習ベースの手法の限界、例えば高い計算コスト、知識ベースの変更への脆弱な適応性、解釈不能性を克服すること。
• 1段階のベイジアン実験設計から多段階先読み探索への拡張により、質問の効率性と正確性を向上させること。
• 臨床医が質問プロセスにおいて手動で干渉できるようにしつつ、固定されたグラフィカルモデルを用いて一貫した推論を維持すること。
• 正確なベイジアン確率計算を用いることで、部分観測下でも最小限の質問ステップで高い診断正確性を達成すること。

提案手法

• システムは、疾患と所見の依存関係を符号化する固定で解釈可能なグラフィカルモデルとして、Quick Medical Reference (QMR) 信念ネットワークを用いる。
• 疾患同定のため、観測された所見に基づいてQMRネットワークを用いて正確なベイジアン推論を実行し、疾患の事後確率を計算する。
• 医療質問のため、期待情報量を最大化するように、次に最も情報量の多い所見を選択するベイジアン実験設計を適用する。
• 質問フェーズは多段階先読み探索により強化され、将来の質問経路を評価し、最適な次の質問を選択する。
• 質問と推論を分離することで、臨床医が任意の段階で所見を手動で上書きまたは変更可能であり、再訓練を必要としない。
• QMRネットワークと正確な確率計算を直接使用するため、トレーニングを回避し、新しい疾患や所見の追加に対しても即座に適応可能である。

実験結果

リサーチクエスチョン

• RQ1 多段階先読み探索を用いたベイジアンアプローチは、1段階のベイジアン実験設計に比べ、診断質問のステップ数を削減できるか？
• RQ2 トレーニングを必要としないシステムが、シミュレートされた医療診断ベンチマークで最先端の正確性を達成しつつ、解釈可能で適応可能であるか？
• RQ3 正確なベイジアン推論とベイジアン実験設計の統合が、部分観測状況下での診断正確性と効率性に与える影響は何か？
• RQ4 臨床医が質問プロセスにおいて手動で干渉できる範囲はどの程度で、システムの性能が低下しないか？
• RQ5 固定されたグラフィカルモデル（QMR）を用いることで、エンドツーエンドで学習されたモデルよりも優れた解釈可能性と迅速な適応性が得られるか？

主な発見

• 提案手法は、2つのシミュレートされたデータセット（SymCAT と HPO）において、先行手法よりも少ない質問ステップで、新たな最先端の正確性を達成した。
• Muzhi および Dxy の対話データセットにおいても、競争力ある性能を示し、異なるデータタイプにわたり高いロバストネスを示した。
• 多段階先読み探索は、診断正確性を顕著に向上させるとともに、必要な質問ステップ数を削減し、完全観測下の推論性能に近づいた。
• QMRネットワークに新しい疾患や所見が追加されても、再訓練なしに高い正確性と効率性を維持した。
• 臨床医がQMR信念ネットワークの構造を確認することで、診断推論の理由を理解できるよう、結果の解釈可能性が向上した。
• 中程度の疾患数の範囲では計算が効率的であり、強化学習や深層生成モデルのトレーニングに伴うオーバーヘッドや不安定性を回避した。