[論文レビュー] Adversarial Multi-Source Transfer Learning in Healthcare: Application to Glucose Prediction for Diabetic People

Maxime De Bois, Mounîm A. El‐Yacoubi+1 more|arXiv (Cornell University)|Jun 29, 2020

Artificial Intelligence in Healthcare参考文献 44被引用数 57

ひとこと要約

本論文は、ヘルスケア向けのマルチソース対向転移学習フレームワークを提案し、それを糖尿病患者の個別化血糖予測に適用する。

ABSTRACT

Deep learning has yet to revolutionize general practices in healthcare, despite promising results for some specific tasks. This is partly due to data being in insufficient quantities hurting the training of the models. To address this issue, data from multiple health actors or patients could be combined by capitalizing on their heterogeneity through the use of transfer learning. To improve the quality of the transfer between multiple sources of data, we propose a multi-source adversarial transfer learning framework that enables the learning of a feature representation that is similar across the sources, and thus more general and more easily transferable. We apply this idea to glucose forecasting for diabetic people using a fully convolutional neural network. The evaluation is done by exploring various transfer scenarios with three datasets characterized by their high inter and intra variability. While transferring knowledge is beneficial in general, we show that the statistical and clinical accuracies can be further improved by using of the adversarial training methodology, surpassing the current state-of-the-art results. In particular, it shines when using data from different datasets, or when there is too little data in an intra-dataset situation. To understand the behavior of the models, we analyze the learnt feature representations and propose a new metric in this regard. Contrary to a standard transfer, the adversarial transfer does not discriminate the patients and datasets, helping the learning of a more general feature representation. The adversarial training framework improves the learning of a general feature representation in a multi-source environment, enhancing the knowledge transfer to an unseen target. The proposed method can help improve the efficiency of data shared by different health actors in the training of deep models.

研究の動機と目的

• 異種のヘルスケアデータソース間での堅牢な知識移転の必要性を動機づける。
• 複数のソースを活用して糖予測を改善する対向転移学習アプローチを提案する。
• 2型糖尿病の文脈でフレームワークを評価し予測精度と安全性を高める。

提案手法

• 複数データソースからの表現を揃えるために対向訓練を用いるフレームワークを開発する。
• 対象ソースのラベル付きデータがなくても、新しい患者やコホートにモデルを適応させるために転移学習を活用する。
• ソース固有の偏りを減らしつつ予測信号を保持するためにドメイン対向目的を組み込む。
• その設計を正当化するため既存の転移学習およびドメイン適応文献に基づいてアプローチを位置づける。

実験結果

リサーチクエスチョン

• RQ1 異種のヘルスケアデータセット間で対向的なマルチソース転移学習は糖予測を改善できるか？
• RQ2 提案手法は単一ソースや非対向転移学習アプローチと比較して血糖予測にどうか？
• RQ3 糖尿病患者の予測の安全性と信頼性に対するマルチソース統合の影響は何か？

主な発見

• 複数ソースの情報を活用することで予測能力の向上を示す。
• 対向的整合はソース固有の偏りを緩和し、新規対象やコホートへの転移を助ける。
• 手法は確立された転移学習およびドメイン対向学習文献の中に位置づけられる。
• 本研究は糖予測実験を再現するための実践的なガイダンスとコードリソースを提供する。