[論文レビュー] A Bayesian Hierarchical Network for Combining Heterogeneous Data Sources in Medical Diagnoses

Claire Donnat, Nina Miolane+2 more|arXiv (Cornell University)|Jul 27, 2020

Anomaly Detection Techniques and Applications参考文献 39被引用数 8

ひとこと要約

本論文は、症状、リスク因子、およびラテラルフォローアッセイ（LFA）結果などの異種でノイジーかつ信頼性が低い医療データソースを統合するため、確率的期待最大化（StEM）アルゴリズムを用いたベイジアン階層的ネットワークを提案する。この手法は、不確実性を考慮した診断を可能にし、不確実性の範囲を明示的に扱うことで、ノイズの多いデータを強固に統合する。シミュレーションデータと実世界のCOVID-19免疫研究への応用において優れた性能を示し、偽陰性の可能性を特定するとともに、試験感度と特異度を再キャリブレーションした。

ABSTRACT

Computer-Aided Diagnosis has shown stellar performance in providing accurate medical diagnoses across multiple testing modalities (medical images, electrophysiological signals, etc.). While this field has typically focused on fully harvesting the signal provided by a single (and generally extremely reliable) modality, fewer efforts have utilized imprecise data lacking reliable ground truth labels. In this unsupervised, noisy setting, the robustification and quantification of the diagnosis uncertainty become paramount, thus posing a new challenge: how can we combine multiple sources of information -- often themselves with vastly varying levels of precision and uncertainty -- to provide a diagnosis estimate with confidence bounds? Motivated by a concrete application in antibody testing, we devise a Stochastic Expectation-Maximization algorithm that allows the principled integration of heterogeneous, and potentially unreliable, data types. Our Bayesian formalism is essential in (a) flexibly combining these heterogeneous data sources and their corresponding levels of uncertainty, (b) quantifying the degree of confidence associated with a given diagnostic, and (c) dealing with the missing values that typically plague medical data. We quantify the potential of this approach on simulated data, and showcase its practicality by deploying it on a real COVID-19 immunity study.

研究の動機と目的

• 症状、リスク因子、LFA検査結果などの、真の状態（ground truth）がしばしば欠落または不確実な、異種的でノイジーかつ信頼性が低い医療データソースを統合する課題に対処すること。
• 自宅での検査や新疾患スクリーニングで一般的な低データ量または高ノイズ環境において、診断確率を信頼区間を明示的に含めて推定する原理的で整合性のある手法を開発すること。
• 信頼できる真のラベルが欠如する状況においても、複数のモダリティにおける不確実性を考慮したベイジアン形式を用いることで、強固な診断を可能にすること。
• 診断の正確性を向上させ、特に検査結果と臨床的症状や曝露歴に矛盾する場合に、高い不確実性を示すケース（例：潜在的偽陰性）を特定・マークすること。

提案手法

• 症状、リスク因子、検査結果を含む複数のデータソースに基づく疾患状態の同時確率をモデル化するベイジアン階層的ネットワークを提案する。
• 欠損データが存在する場合でも、感度、特異度、疾患有病率などのモデルパラメータを繰り返し推定可能な確率的期待最大化（StEM）アルゴリズムを採用する。
• モデルパラメータに共役事前分布を用い、後験的推論により更新することで、すべての入力に対して原理的で整合性のある不確実性の定量化を可能にする。
• 潜在的疾患状態を隠れ変数として取り入れ、観測データには症状報告、リスク要因の曝露、LFA検査結果を含める。
• EMフレームワークにおける周辺化（marginalization）により欠損データを処理し、データの削除を回避して統計的パワーを保持する。
• 感度と特異度の不確実性を、事前知識と実世界データから更新可能な確率変数としてモデル化し、動的キャリブレーションを可能にする。

実験結果

リサーチクエスチョン

• RQ1 自己報告の症状、曝露歴、ラテラルフォローアッセイ結果などの、異種的でノイジーな医療データソースをどのように統合し、不確実性を定量化した診断を可能にするか？
• RQ2 真のラベルが欠如する状況において、ベイジアン階層的モデルは、特に検査の正確性が不確実またはキャリブレーションされていない場合に、診断の正確性をどの程度向上できるか？
• RQ3 診断の不確実性が著しいケース（例：潜在的偽陰性）を同定・マークでき、特に検査結果と臨床的症状に矛盾する場合にその特徴を特定できるか？
• RQ4 LFA検査の感度と特異度は、無症状対象者と有症状者、早期検査と遅刻検査などの異なる臨床的サブグループでどのように変動するか？また、実世界データからこれらの値を再キャリブレーションできるか？
• RQ5 データが希少でノイズが多い状況下でも、モデルは真の免疫有病率や症状の確率を推定できるか？

主な発見

• シミュレーションデータにおいて、StEMアルゴリズムは真の値から数パーセンテージ以内のパラメータ推定に収束し、大多数の係数について相対誤差が5%未満であった。
• 感度と特異度が高くなるほど収束速度が著しく向上し、サンプルサイズに比例して反復処理時間が線形に増加するなど、良好なスケーラビリティを示した。
• 117名の医療従事者から得た実データでは、LFAの感度と特異度が再キャリブレーションされ、特に無症状の被験者において最も顕著な更新が見られた。これは、製造元の公表値よりも実際の性能が低い可能性を示唆した。
• 被験者108番と被験者92番が、症状と検査結果の不一致により、潜在的偽陰性として正しく特定された。後験的分布はこの曖昧さを反映しており、高い不確実性を示した。
• 後験的分布の分析から、乾性せきや息切れなどの症状が、陽性診断を受けた有症状者においてより顕著に頻度が高かった。これは集団固有の知見を提供した。
• 複数のデータソースが一致する場合には、診断の信頼区間が狭く、より情報に基づいたものとなった。一方、ソース間に矛盾がある場合には、幅広い信頼区間が得られ、臨床的解釈性と安全性が向上した。