[論文レビュー] AdaCare: Explainable Clinical Health Status Representation Learning via Scale-Adaptive Feature Extraction and Recalibration

Liantao Ma, Junyi Gao+7 more|arXiv (Cornell University)|Nov 27, 2019

Machine Learning in Healthcare参考文献 27被引用数 4

ひとこと要約

AdaCare は、スケール適応型拡張畳み込みと特徴再補正を用いて、多スケールのバイオマーカー動向を捉え、リスクの高い特徴を適応的に強調する深層学習モデルであり、臨床的健康状態の表現学習を目的としている。ESRD および MIMIC-III データセットにおいて最先端の予測性能を達成するとともに、臨床的に解釈可能で専門家による検証がなされた洞察を提供する。

ABSTRACT

Deep learning-based health status representation learning and clinical prediction have raised much research interest in recent years. Existing models have shown superior performance, but there are still several major issues that have not been fully taken into consideration. First, the historical variation pattern of the biomarker in diverse time scales plays a vital role in indicating the health status, but it has not been explicitly extracted by existing works. Second, key factors that strongly indicate the health risk are different among patients. It is still challenging to adaptively make use of the features for patients in diverse conditions. Third, using prediction models as the black box will limit the reliability in clinical practice. However, none of the existing works can provide satisfying interpretability and meanwhile achieve high prediction performance. In this work, we develop a general health status representation learning model, named AdaCare. It can capture the long and short-term variations of biomarkers as clinical features to depict the health status in multiple time scales. It also models the correlation between clinical features to enhance the ones which strongly indicate the health status and thus can maintain a state-of-the-art performance in terms of prediction accuracy while providing qualitative interpretability. We conduct a health risk prediction experiment on two real-world datasets. Experiment results indicate that AdaCare outperforms state-of-the-art approaches and provides effective interpretability, which is verifiable by clinical experts.

研究の動機と目的

• 既存の臨床的表現学習手法における多スケール時系列パターンモデリングの欠如に対処すること。
• 患者固有の健康トレースとリスクプロファイルに基づいた特徴の適応的重み付けを可能にすること。
• 高精度で臨床的に検証可能な解釈可能性を提供し、ブラックボックス予測モデルへの信頼を高めること。
• バイオマーカーの長期的傾向と短期的異常を統合することで、死亡リスク予測の精度を向上させること。

提案手法

• 異なる時間スケールで臨床的バイオマーカーの長期的および短期的変動パターンを抽出するために、多スケールの拡張畳み込みを採用する。
• スケール適応型特徴再補正モジュールを導入し、予測的重要性に基づいて特徴を動的に再重み付けする。このモジュールは squeeze-and-excitation (SE) ブロックをインspired したものである。
• シグモイド関数とスパースマックス活性化関数を用いた学習可能な注目メカニズムを導入し、最新の診察時におけるリスクの高い特徴を強調する。
• 時系列特徴表現を統合的に統合し、下流の予測タスク用の統一された健康状態埋め込みを生成する。
• 死亡および疾患進行予測タスクにおいて交差エントロピー損失を用いて、エンド・ツー・エンドでモデルを訓練する。
• 腎臓専門医による特徴重要度分析と専門家評価を通じて、解釈可能性を検証する。

実験結果

リサーチクエスチョン

• RQ1 多スケール時系列特徴抽出は、縦断的 EHR データにおける臨床的健康状態の表現をどのように改善するか？
• RQ2 適応的特徴再補正は、多様な患者状態において予測性能をどのように向上させるか？
• RQ3 モデルの注目メカニズムは、専門家の知識と整合する臨床的に意味のあるバイオマーカーをどの程度適切に強調できるか？
• RQ4 スケール適応型特徴再補正の統合は、SOTA ベースラインと比較して、より高い精度とより解釈可能な予測を達成するか？

主な発見

• AdaCare は、ESRD および MIMIC-III データセットの両方において、死亡リスク予測で最先端のモデルを上回り、統計的に有意な改善を達成した。
• 多スケールの拡張畳み込みとシグモイドベースの再補正を組み合わせたバージョン（AdaCare$_{c,\rho}$）が最高の AUC を達成し、多スケール時系列モデリングの利点を裏付けた。
• スパースマックスベースの再補正を用いたバージョン（AdaCare$_{c,\rho}$）は、予測能の高い特徴のみを強調し、不要な特徴の抑制により解釈性を向上させつつも、高い性能を維持した。
• 臨床専門家は、モデルの注目重みが、特に ESRD 患者の血清アルブミン、尿素、血清塩素の分野で、既存の医学的知識と整合していると確認した。
• モデルは、以前にあまり注目されていなかった新たな関連性——例えば、血清塩素とカクシエキア・感染症の関連性——を学習し、腎臓専門医によって臨床的に関連性があると評価された。
• 特徴重要度の定量的分析から、死亡原因にかかわらず一貫性があり生物学的に妥当なパターンが得られ、モデルの信頼性と臨床的関連性を裏付けた。