[論文レビュー] Disease-Atlas: Navigating Disease Trajectories with Deep Learning

Bryan Lim, Mihaela van der Schaar|arXiv (Cornell University)|Mar 27, 2018

Machine Learning in Healthcare参考文献 24被引用数 6

ひとこと要約

本論文では、深層ニューラルネットワークを活用して、不規則なサンプリングに強く、スケーラビリティと予測精度を向上させる、縦断的データとイベントまでの時間データの共同モデリングを強化する深層学習フレームワーク、Disease-Atlasを紹介する。予測精度の向上、計算スケーラビリティの向上、不規則なサンプリングへのロバスト性の向上を実現し、平均二乗誤差（MSE）を56%削減し、合併症のAUPRCを199%向上させる顕著な性能向上を達成した。慢性疾患における疾患の進行経路や生存予後を個別化して予測可能である。

ABSTRACT

Joint models for longitudinal and time-to-event data are commonly used in longitudinal studies to forecast disease trajectories over time. While there are many advantages to joint modeling, the standard forms suffer from limitations that arise from a fixed model specification, and computational difficulties when applied to high-dimensional datasets. In this paper, we propose a deep learning approach to address these limitations, enhancing existing methods with the inherent flexibility and scalability of deep neural networks, while retaining the benefits of joint modeling. Using longitudinal data from a real-world medical dataset, we demonstrate improvements in performance and scalability, as well as robustness in the presence of irregularly sampled data.

研究の動機と目的

• 従来の縦断的およびイベントまでの時間データの共同モデルが抱える限界、すなわち固定されたモデル仕様と高次元設定における計算非効率性を解消すること。
• 慢性疾患におけるバイオマーカー、合併症、生存予後間の複雑な時間的関係を捉えるスケーラブルな深層学習フレームワークを構築すること。
• 欠損データの補完に依存せず、共同モデルのキャリブレーションをマルチタスク学習問題として定式化することで、不規則にサンプリングされた臨床データへのロバスト性を向上させること。
• 臨床意思決定支援の活用を想定し、生存確率、バイオマーカー経路、合併症リスクを動的に個別化して予測する、疾患進行の動的でパーソナライズドな予測を可能にすること。
• 例えば、ジステリック・フィブロシスを含む慢性疾患を有病する患者に対する個別化されたスクリーニングスケジュールの実世界応用におけるフレームワークの有効性を示すこと。

提案手法

• 縦断的バイオマーカーとイベントまでの時間アウトカムを共同でモデリングするため、エンドツーエンドに訓練された長短期記憶（LSTM）ネットワークを含む深層学習アーキテクチャを提案する。
• 不確実性の定量化のため、モンテカルロ（MC）ドロップアウトを用い、縦断的および生存アウトカムの両方の予測分布を生成する。
• 不規則な時刻に測定された複数の臨床変数の間で共有表現を学習するマルチタスク学習の定式化を採用し、欠損データの事前補完を回避する。
• 従来の共同モデルの構造を模倣する形で、縦断的変数の予測分布（例：平均と分散）およびイベントまでの時間アウトカムのハザードレートのパラメータを出力する。
• 関連疾患およびバイオマーカー間の依存関係をモデル化するため、共有潜在表現を用い、合併症および進行マーカーの共同予測を可能にする。
• 生存アウトカムのための負の対数尤度と縦断的データのための平均二乗誤差を組み合わせた損失関数を用い、確率的勾配降下法で最適化する。

実験結果

リサーチクエスチョン

• RQ1 標準的な共同モデルの計算的およびモデリング上の制限を克服しつつ、深層学習を縦断的およびイベントまでの時間データの共同モデリングに効果的に適用できるか？
• RQ2 実世界のデータセットにおいて、提案された深層学習フレームワークは、従来の共同モデルと比較して、縦断的バイオマーカーと生存アウトカムの予測性能をどのように向上させるか？
• RQ3 マルチタスク学習の定式化は、縦断的臨床データにおける不規則なサンプリングおよび欠損データに対して、どの程度ロバスト性を向上させるか？
• RQ4 不確実性推定付きで将来的な疾患リスクを予測することで、動的スクリーニングの推奨事項を含む、個別化された臨床意思決定支援をフレームワークが可能にするか？
• RQ5 モデルアーキテクチャ（例：DA-LSTM）の影響は、特に合併症およびバイオマーカーのAUPRCおよびMSEという観点から、予測性能にどの程度及ぼすか？

主な発見

• DA-LSTMモデルは、すべての連続変数において、標準的な共同モデルと比較して、縦断的予測の平均二乗誤差（MSE）を平均で56%削減した。
• 合併症予測において、DA-LSTMは標準的な共同モデルと比較して、AUPRC（精度-再現率曲線下積分）を199%向上させ、不均衡でまれなイベントのシナリオにおいて優れた性能を示した。
• 感染症予測において、DA-LSTMは標準的な共同モデルと比較してAUPRCを112%向上させ、低頻度の臨床イベントの検出能力が向上したことを示した。
• 不規則にサンプリングされたデータに対しても高い性能を維持し、不正確な補完によるバイアスを避けることで、補完ベースのアプローチを上回った。
• フレームワークは不確実性を考慮した予測を効果的に生成し、MCドロップアウトからの5番目および95番目の百分位区間が、個別化されたスクリーニング意思決定のための信頼性のあるリスク推定を提供した。
• 実世界の事例では、Disease-Atlasはジステリック・フィブロシス患者に対して、5年間で糖尿病リスクが13%上昇すると予測し、早期または頻回のスクリーニングの必要性を裏付けた。