[論文レビュー] A Framework for Individualizing Predictions of Disease Trajectories by Exploiting Multi-Resolution Structure

Peter Schulam, Suchi Saria|arXiv (Cornell University)|Jan 18, 2016

Gene expression and cancer classification参考文献 22被引用数 72

ひとこと要約

本論文は、多スケールのデータを統合することで、集団レベル、サブ集団レベル、個別レベルのダイナミクスを統合し、個別疾患トレースを予測する階層的潜在変数モデルを提案する。間質性肺疾患を有するSLE患者における予測精度を、個別に最適化されたパラメータを動的に学習することで向上させ、4年間のデータで平均絶対誤差（MAE）を14.3%改善し、最先端手法を上回った。

ABSTRACT

For many complex diseases, there is a wide variety of ways in which an individual can manifest the disease. The challenge of personalized medicine is to develop tools that can accurately predict the trajectory of an individual's disease, which can in turn enable clinicians to optimize treatments. We represent an individual's disease trajectory as a continuous-valued continuous-time function describing the severity of the disease over time. We propose a hierarchical latent variable model that individualizes predictions of disease trajectories. This model shares statistical strength across observations at different resolutions--the population, subpopulation and the individual level. We describe an algorithm for learning population and subpopulation parameters offline, and an online procedure for dynamically learning individual-specific parameters. Finally, we validate our model on the task of predicting the course of interstitial lung disease, a leading cause of death among patients with the autoimmune disease scleroderma. We compare our approach against state-of-the-art and demonstrate significant improvements in predictive accuracy.

研究の動機と目的

• SLEのような複雑で多様性のある疾患における個別化された疾患トレースの予測という課題に取り組むこと。
• 集団、サブ集団、個別レベルの要因を統合することで、個々の患者間の不均一性をモデル化すること。
• 継続的に増加する臨床データを用いて、動的かつリアルタイムに予測を更新できること。
• 急速な疾患悪化のリスクがある患者を正確に特定することで、臨床意思決定を改善すること。
• 静的または補完的な時系列モデルへの依存を減らすために、連続時間で不規則にサンプリングされた臨床マーカーを活用すること。

提案手法

• モデルは、集団、サブ集団、個別レベル間で統計的強度を共有する階層的潜在変数構造を用いる。
• 連続時間の疾患トレースをモデル化するために、ノンパラメトリックベイズフレームワークとガウス過程を採用する。
• サブ集団レベルのパラメータは、混合ガウス過程を用いて事前学習し、個別パラメータはベイズ推論によりオンラインで更新する。
• ベースライン共変量（例：Scl-70状態）を組み込み、サブ集団ベースラインからの個別的逸脱を許容する。
• トレースを表現するためにBスpline基底展開を用い、スケーラブルな学習のために変分推論アルゴリズムを適用する。
• 新しいデータが到着するたびに個別パラメータを更新することで、動的予測が可能となり、リアルタイムなパーソナライズが実現する。

実験結果

リサーチクエスチョン

• RQ1 多スケールのデータを統合する階層的モデルは、個別化された疾患トレース予測の精度を向上させることができるか？
• RQ2 サブ集団レベルの構造を組み込むことで、集団レベルのモデルと比較して予測性能がどのように向上するか？
• RQ3 特に疾患初期段階において、個別に最適化された調整が予測精度にどの程度寄与するか？
• RQ4 本モデルは、SLEにおけるPFVCのような不規則にサンプリングされた連続時間の臨床マーカーをどのように処理するか？
• RQ5 本モデルは、肺機能の臨床的に有意義な低下を予測する最先端手法を上回ることができるか？

主な発見

• 提案モデルは、4年間のデータで、次善のベースラインと比較して平均絶対誤差（MAE）を14.3%改善した。
• 2年またはそれ以上のデータを蓄積した後、本モデルの予測誤差は両方のベースラインと比較して統計的に有意に低かった。
• 臨床的に有意義な低下（≥10 PFVC）を予測する真陽性率は31%であった。これは、BスプラインGP（17%）を上回り、偽陽性率も低く（81% vs. 90%）なった。
• 個別に最適化された調整を除外すると予測精度が低下し、パーソナライゼーションにおいてその重要性が示された。
• 本モデルは、わずか1年間のデータで急速に悪化するトレースを正しく特定できたが、BスプラインGPは初期の下降トレンドに適応できなかった。
• 本モデルの性能は、より多くのデータが得られるにつれて向上した。これは、縦断的履歴が長くなるにつれて動的パーソナライゼーションの能力が高まることを示している。