[論文レビュー] Causal Machine Learning for Healthcare and Precision Medicine

Pedro L. Sánchez, Jeremy P. Voisey+4 more|arXiv (Cornell University)|May 23, 2022

Machine Learning in Healthcare被引用数 10

ひとこと要約

本論文は、精密医療における行動可能な個別化治療予測を可能にするために、臨床意思決定支援システムに因果的機械学習（CML）を統合することを提唱する。アルツハイマー病を事例として、因果的表現学習、因果的発見、因果的推論を活用することで、介入をモデル化し、高次元のマルチモodalデータを処理し、交絡要因や分布シフトに対しても頑健性と解釈可能性を向上させることを示している。

ABSTRACT

Causal machine learning (CML) has experienced increasing popularity in healthcare. Beyond the inherent capabilities of adding domain knowledge into learning systems, CML provides a complete toolset for investigating how a system would react to an intervention (e.g.\ outcome given a treatment). Quantifying effects of interventions allows actionable decisions to be made whilst maintaining robustness in the presence of confounders. Here, we explore how causal inference can be incorporated into different aspects of clinical decision support (CDS) systems by using recent advances in machine learning. Throughout this paper, we use Alzheimer's disease (AD) to create examples for illustrating how CML can be advantageous in clinical scenarios. Furthermore, we discuss important challenges present in healthcare applications such as processing high-dimensional and unstructured data, generalisation to out-of-distribution samples, and temporal relationships, that despite the great effort from the research community remain to be solved. Finally, we review lines of research within causal representation learning, causal discovery and causal reasoning which offer the potential towards addressing the aforementioned challenges.

研究の動機と目的

• 標準的な機械学習の限界を克服し、行動可能な介入ベースの予測を可能にするために、因果性を組み込むことで臨床意思決定支援の限界を解消する。
• 未観測の反実仮想的状態という因果推論の根本的問題を、因果モデルを用いて個別治療効果を推定することで克服する。
• 医療画像、ゲノム、EHRs などのマルチモーダルで高次元かつ非構造化された医療データを、因果フレームワークに統合し、一般化性能と解釈可能性を向上させる。
• 相関に基づく予測を超えて、分野知識と因果構造を学習モデルに埋め込むことで、臨床意思決定支援システムを発展させる。
• 分布シフト、時間的ダイナミクス、マルチモーダルデータ統合といった、医療分野におけるCMLの主な課題を特定し、それらに対処する。

提案手法

• 高次元で非構造化されたデータ（例：医療画像、ゲノム）から、低次元で情報量が多く、因果的な変数を抽出するために因果的表現学習を適用する。
• 条件付き独立性検定、DAG探索、構造的仮定（例：加法ノイズモデル）に基づく因果的発見手法を用いて、観測データから因果的グラフを同定する。
• do記法と反実仮想的推論を用いて、構造的因果モデルを通じて介入ベースの質問（例：「患者が薬Xを投与された場合、どうなったか？」）に答える因果的推論を実装する。
• 正規化フローと変分推論などの深層生成モデルを活用し、画像特徴などの複雑なデータ空間における反実仮想的生成を可能にする。
• 臨床的推論を模倣する因果モデルを設計し、専門家知識と時間的ダイナミクスを組み込むことで、透明性と頑健性を向上させる。
• 因果的機械学習とマルチモーダル学習アーキテクチャを統合し、テキスト、画像、検査結果などの異種データソースを統合しながら、因果的解釈可能性を保持する。

実験結果

リサーチクエスチョン

• RQ1 因果的機械学習は、標準的な相関ベースのモデルを超えて、精密医療における個別化治療予測をどのように改善できるか？
• RQ2 高次元でマルチモーダルかつ非構造化された医療データへの因果推論を適用するにあたり、主な課題は何か？
• RQ3 因果的表現学習は、医療画像やゲノムなどの複雑な医療データから意味のある低次元因果変数をどのように抽出できるか？
• RQ4 未観測の交絡要因や複雑な関数形を伴う現実世界の医療環境において、現在の因果的発見手法の限界は何か？
• RQ5 画像ベースおよびマルチモーダル臨床データにおいて、因果的推論を効果的に応用して反実仮想的結果を生成するにはどうすればよいか？

主な発見

• 因果的機械学習は、介入の効果を推定することで、行動可能な意思決定を可能にし、アルツハイマー病治療薬の異なる投与条件下での認知機能低下の予測が可能になる。
• 因果的表現学習により、高次元医療データを解釈可能な因果変数に効果的に要約でき、モデルの頑健性と解釈可能性が向上する。
• 因果的発見手法は観測データから因果構造を同定可能であるが、未観測の交絡要因やモデル誤指定に対して感受性を示すことがある。
• 反実仮想的推論を用いた因果的推論は、「もし患者が代替治療を受けていたらどうなったか？」といった『もし』の質問に正式なフレームワークで答えることができる。
• 因果モデルと深層生成アーキテクチャ（例：正規化フロー）を統合することで、反実仮想的画像生成が可能になるが、可逆モデリングの複雑さが生じる。
• 進展は見られるものの、多様な医療環境における因果モデルの一般化や、進行性疾患における時間的ダイナミクスの取り扱いには、依然として課題が残っている。