[論文レビュー] Boosting Deep Learning Risk Prediction with Generative Adversarial Networks for Electronic Health Records

Zhengping Che, Yu Cheng+3 more|arXiv (Cornell University)|Sep 6, 2017

Machine Learning in Healthcare参考文献 37被引用数 25

ひとこと要約

本論文では、心不全や糖尿病の予測に役立つ、現実的でラベル付きの患者データを生成するための、電子歴史記録（EHR）に特化した生成的対抗ネットワーク（ehrGAN）を提案する。限られた実際のEHRデータに合成サンプルを追加することで、深層学習モデルの性能が著しく向上し、心不全と糖尿病の予測において、最先端のベースラインを上回る。HF50ではAUCの向上が最大0.0291、Dia50では0.0201に達する。

ABSTRACT

The rapid growth of Electronic Health Records (EHRs), as well as the accompanied opportunities in Data-Driven Healthcare (DDH), has been attracting widespread interests and attentions. Recent progress in the design and applications of deep learning methods has shown promising results and is forcing massive changes in healthcare academia and industry, but most of these methods rely on massive labeled data. In this work, we propose a general deep learning framework which is able to boost risk prediction performance with limited EHR data. Our model takes a modified generative adversarial network namely ehrGAN, which can provide plausible labeled EHR data by mimicking real patient records, to augment the training dataset in a semi-supervised learning manner. We use this generative model together with a convolutional neural network (CNN) based prediction model to improve the onset prediction performance. Experiments on two real healthcare datasets demonstrate that our proposed framework produces realistic data samples and achieves significant improvements on classification tasks with the generated data over several stat-of-the-art baselines.

研究の動機と目的

• 深層学習による医療分野の課題である、ラベル付きEHRデータの不足がモデル性能を制限する問題に対処すること。
• 訓練データの拡張を目的とした、臨床的に妥当なEHRサンプルを生成する生成モデルの開発。
• 合成データを用いた半教師あり学習により、心不全や糖尿病などの疾患のリスク予測性能を向上させること。
• 限られたラベル付きデータ環境下で、GANベースのデータ生成と深層ニューラルネットワークを組み合わせた有効性を実証すること。

提案手法

• 本番のEHRシーケンスと正しいラベルを備えた現実的なEHRを生成できるように、敵対的訓練により学習される、変更されたGANアーキテクチャであるehrGANを提案する。
• 生成器を条件付きに設計し、患者のラベルに条件付けられた学習済み潜在空間からサンプリングすることで、生成データにおけるラベルの一貫性を保証する。
• 実データと生成データの両方を用いて、CNNベースのリスク予測器を学習する半教師あり学習フレームワークに生成器を統合する。
• 再構成損失と敵対的損失のトレードオフを制御するハイパーパrameter ρを最適化することで、生成サンプルの多様性と現実性を確保する。
• 訓練中に実際のラベル付きデータと生成データの比率を制御するハイパーパrameter μを用いて、データ利用のバランスを調整する。
• リスク予測タスクとして、2つの実世界のEHRデータセット（HF50とDia50）に本フレームワークを適用し、AUCと正答率を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 GANベースのモデルは、実際の患者記録を模倣する現実的でラベル付きのEHRシーケンスを生成できるか？
• RQ2 合成EHRデータを用いた半教師あり学習は、教師ありベースラインと比較してリスク予測性能を向上させるか？
• RQ3 予測性能を最大化するために、実データと生成データの最適なバランス（μで制御）は何か？
• RQ4 生成器の損失を制御するハイパーパrameter ρが、生成サンプルの品質および下流の予測精度に与える影響は何か？
• RQ5 提案されたフレームワークは、ラベル付きデータが限られた異なる臨床予測タスクにも一般化可能か？

主な発見

• ehrGANモデルは、臨床的妥当性と時間的パターンの両面で、実際の患者記録と区別がつかない現実的なEHRサンプルを効果的に生成した。
• 提案されたSSL-GANフレームワークは、最良のベースライン（CNN-BASIC）と比較して、HF50データセットでAUCが0.0291向上し、ρ=0.1およびμ=0.6の設定でAUC 0.9075を達成した。
• Dia50データセットでは、ベースラインを0.0201上回り、最適設定下でAUC 0.9354を達成した。
• ρの最適設定は0.1であり、ρ=0やρ=1の値では、サンプル品質の低下やラベルの一貫性の欠如により性能が劣化した。
• ρ=0.1の場合、μの最適値は0.6であり、生成データの過剰使用が性能を悪化させるため、データ比率の慎重な制御が不可欠であることが示された。
• 本フレームワークは、両データセットにおいて、標準的なCNNおよび2つの強力なSSLベースライン（SSL-SMIRおよびSSL-LGC）を常に上回り、優れた一般化性能を示した。