[論文レビュー] A multi-stage machine learning model on diagnosis of esophageal manometry

Wenjun Kou, Dustin A. Carlson+5 more|arXiv (Cornell University)|Jun 25, 2021

Dysphagia Assessment and Management参考文献 18被引用数 27

ひとこと要約

本研究では、生の圧力波形を用いて高分解能食道圧検査（HRM）データから食道運動障害を自動診断するマルチステージの機械学習フレームワークを提案する。畳み込みニューラルネットワーク（CNN）を用いて飲み込みの種別、圧力上昇パターン、統合リラクゼーション圧（IRP）を分類し、その後、xgboost、人工ニューラルネットワーク（ANN）、ルールベースモデルのモデルに依存しないアンサンブル手法を用いて、研究レベルでのシカゴ分類診断を予測し、トップ1正答率81%、トップ2正答率92%を達成した。

ABSTRACT

High-resolution manometry (HRM) is the primary procedure used to diagnose esophageal motility disorders. Its interpretation and classification includes an initial evaluation of swallow-level outcomes and then derivation of a study-level diagnosis based on Chicago Classification (CC), using a tree-like algorithm. This diagnostic approach on motility disordered using HRM was mirrored using a multi-stage modeling framework developed using a combination of various machine learning approaches. Specifically, the framework includes deep-learning models at the swallow-level stage and feature-based machine learning models at the study-level stage. In the swallow-level stage, three models based on convolutional neural networks (CNNs) were developed to predict swallow type, swallow pressurization, and integrated relaxation pressure (IRP). At the study-level stage, model selection from families of the expert-knowledge-based rule models, xgboost models and artificial neural network(ANN) models were conducted, with the latter two model designed and augmented with motivation from the export knowledge. A simple model-agnostic strategy of model balancing motivated by Bayesian principles was utilized, which gave rise to model averaging weighted by precision scores. The averaged (blended) models and individual models were compared and evaluated, of which the best performance on test dataset is 0.81 in top-1 prediction, 0.92 in top-2 predictions. This is the first artificial-intelligence-style model to automatically predict CC diagnosis of HRM study from raw multi-swallow data. Moreover, the proposed modeling framework could be easily extended to multi-modal tasks, such as diagnosis of esophageal patients based on clinical data from both HRM and functional luminal imaging probe panometry (FLIP).

研究の動機と目的

• 高分解能食道圧検査（HRM）データを用いて、自動化されたAI駆動の食道運動障害診断システムを開発すること。
• シカゴ分類（CC）に基づく手動によるHRM解釈に内在する、評価者間ばらつきと解釈の主観性を低減すること。
• 飲み込みレベルでディープラーニングを統合し、研究レベルでアンサンブル機械学習を適用することで、診断精度を向上させること。
• 多様なモデルファミリー（xgboost、ANN、ルールベース）を統合する、モデルに依存しない精度加重ブレンド戦略を提案し、耐性と性能を向上させること。

提案手法

• 2段階のモデリングフレームワーク：（1）飲み込みレベルの分析では、3つのCNNを用いて、飲み込みの種別（正答率：0.88）、圧力上昇（正答率：0.93）、IRP（回帰誤差：4.49 mmHg）を予測。
• 研究レベルの診断予測には、専門知識に基づくルールモデル、xgboost、人工ニューラルネットワーク（ANN）の3つのモデルファミリーを、抽出された飲み込みレベル特徴量に基づいて訓練。
• ベイズ的原則に基づくモデルに依存しないブレンド戦略で、精度スコアを重みとして用いてモデルを平均化し、クラス間の性能バランスをとる。
• ハイパーパramータチューニングとモデル選択は検証セット正答率を基準とし、特徴量拡張（14特徴量）とクラスウェイトを用いてデータの不均衡を是正。
• ブレンドモデルはトップ1およびトップ2正答率で評価され、モデル平均化の重みとして精度スコアが使用された。
• 本フレームワークは、HRMと機能的ルーメナルイメージングプローブ（FLIP）データを統合する多モodalデータ統合に対しても拡張可能である。

実験結果

リサーチクエスチョン

• RQ1 手動による特徴量抽出を伴わずに、生のHRMデータからマルチステージの機械学習モデルが、正確に食道運動障害の診断を予測できるか？
• RQ2 精度スコアに基づくモデルブレンドは、複雑で多クラスのHRMアウトカム診断において、個々のモデルに比べて性能をどのように向上させるか？
• RQ3 従来のルールベースモデルや統計モデルと比較して、飲み込みレベルでのディープラーニングモデルが、下流の研究レベル診断精度をどの程度向上させられるか？
• RQ4 ディープラーニング、木構造ベースのモデル（xgboost）、ニューラルネットワーク（ANN）を組み合わせたハイブリッドアプローチが、HRM診断において単一のモデルタイプを上回る性能を発揮できるか？
• RQ5 提案されたモデルに依存しないブレンド戦略は、クラスの不均衡を緩和し、多様な運動障害診断における一般化性能を向上させるのに有効か？

主な発見

• 提案されたマルチステージモデルは、テストセットにおいてシカゴ分類診断のトップ1正答率81%、トップ2正答率92%を達成した。
• 飲み込みレベルのCNNは、飲み込みの種別分類で88%の正答率、圧力上昇パターン認識で93%の正答率を達成し、IRPの回帰誤差は4.49 mmHgであった。
• 最適なxgboostモデル（xgb-5）は、最大深さ5、ルールベースのベースラーナー、14の拡張特徴量を用い、検証正答率79%を達成した。
• 最適なANNモデル（ANN-1）は、6層、幅係数1、14入力特徴量を有し、検証正答率77%を達成した。
• 精度加重平均化を用いたモデルブレンドは、個々のモデルを上回る性能を示し、提案戦略の有効性を裏付けた。
• 本研究は、特にEGJ出口抵抗障害（EGJOO）における現在のCC分類の限界を強調しており、血行動態的パターンの重複とデータセットの不均衡が要因である。