[論文レビュー] A Tractable Inference Algorithm for Diagnosing Multiple Diseases

David Heckerman|arXiv (Cornell University)|Mar 27, 2013

Bayesian Modeling and Causal Inference参考文献 2被引用数 17

ひとこと要約

本稿では、疾患と所見を二値変数として扱う確率的モデルを用いた複数疾患の診断のための tractable な推論アルゴリズムである QuickScore を提示する。疾患同士は周辺独立であり、疾患状態の下で条件付き独立であり、所見はノイジーオンリー・ゲートを介して生成される。アルゴリズムは O(nm⁻²m⁺) 時間で事後疾患確率を計算し、陽性所見の数が少ない場合に実用的であり、確率的 QMR データセットにおいて優れた性能を示す。

ABSTRACT

We examine a probabilistic model for the diagnosis of multiple diseases. In the model, diseases and findings are represented as binary variables. Also, diseases are marginally independent, features are conditionally independent given disease instances, and diseases interact to produce findings via a noisy OR-gate. An algorithm for computing the posterior probability of each disease, given a set of observed findings, called quickscore, is presented. The time complexity of the algorithm is O(nm-2m+), where n is the number of diseases, m+ is the number of positive findings and m- is the number of negative findings. Although the time complexity of quickscore i5 exponential in the number of positive findings, the algorithm is useful in practice because the number of observed positive findings is usually far less than the number of diseases under consideration. Performance results for quickscore applied to a probabilistic version of Quick Medical Reference (QMR) are provided.

研究の動機と目的

• 確率的枠組みにおいて複数疾患を効率的に診断するスケーラブルな推論アルゴリズムの開発。
• 複数の疾患が臨床所見に与える寄与を捉えるために、ノイジーオンリー・ゲート機構を用いた疾患相互作用のモデル化。
• 疾患組み合わせの全事後確率を計算する際の指数的性質にかかわらず、計算の tractability を保証すること。
• 観察された所見に基づき、各疾患の事後確率を効率的に計算すること。
• 実世界の確率的 Quick Medical Reference (QMR) データベースを用いた手法の検証。

提案手法

• モデルは疾患と臨床的所見を二値確率変数として表現する。
• 疾患は事前確率において周辺独立であると仮定する。
• 所見は疾患状態の下で条件付き独立であり、ノイジーオンリー・ゲート構造に従う。
• アルゴリズムは条件付き独立性とノイジーオンリー構造を活用した要因分解を用いて事後確率を計算する。
• 時間計算量は O(nm⁻²m⁺) であり、n は疾患数、m⁺ は陽性所見数、m⁻ は陰性所見数である。
• 全組み合わせの列挙を避けるために、観察された陽性所見を説明できる疾患のサブセットに計算を集中させる。

実験結果

リサーチクエスチョン

• RQ1 確率的独立性仮定の下で、複数疾患診断のための tractable な推論アルゴリズムを設計できるか？
• RQ2 ノイジーオンリー・ゲートモデルは、複数疾患が臨床所見に与える総合的寄与をどのように捉えているか？
• RQ3 このモデルにおける事後疾患確率の計算の計算量的複雑性は何か？ そして、それが実用的になるようにできるか？
• RQ4 正確な推論と比較して、実世界の医療診断データに対してこのアルゴリズムはどの程度の性能を示すか？
• RQ5 疾患組み合わせの組み合わせ的性質にかかわらず、アルゴリズムが効率的である条件は何か？

主な発見

• QuickScore アルゴリズムは、陽性所見数 (m⁺) が小さい場合に O(nm⁻²m⁺) 時間計算量を達成し、実用的である。
• アルゴリズムは疾患の組み合わせの全列挙を避けることで、事後疾患確率の効率的計算を可能にする。
• 確率的 QMR データセットにおける実験結果から、QuickScore は正確な診断を提供するとともに、計算効率を維持していることが示された。
• 実世界の状況でも実用的である。なぜなら、観察された陽性所見数は、考慮される疾患数に比べて通常ははるかに少ないからである。
• ノイジーオンリー・ゲートモデルは、複数疾患が臨床所見に与える加法的寄与を効果的に捉えている。
• アルゴリズムの設計は、条件付き独立性と二値変数構造を活用して、計算のオーバーヘッドを低減している。