[論文レビュー] Early Recognition of Sepsis with Gaussian Process Temporal Convolutional Networks and Dynamic Time Warping

Michael Moor, Max Horn+3 more|arXiv (Cornell University)|Feb 5, 2019

Sepsis Diagnosis and Treatment参考文献 51被引用数 39

ひとこと要約

2つの手法 MGP-TCN と DTW-KNN を導入し、不規則な時系列の敗血症早期検出を行い、両方が従来の最先端（MGP-RNN）を上回り、 onset 7時間前までの AUPRC が向上。

ABSTRACT

Sepsis is a life-threatening host response to infection associated with high mortality, morbidity, and health costs. Its management is highly time-sensitive since each hour of delayed treatment increases mortality due to irreversible organ damage. Meanwhile, despite decades of clinical research, robust biomarkers for sepsis are missing. Therefore, detecting sepsis early by utilizing the affluence of high-resolution intensive care records has become a challenging machine learning problem. Recent advances in deep learning and data mining promise to deliver a powerful set of tools to efficiently address this task. This empirical study proposes two novel approaches for the early detection of sepsis: a deep learning model and a lazy learner based on time series distances. Our deep learning model employs a temporal convolutional network that is embedded in a Multi-task Gaussian Process Adapter framework, making it directly applicable to irregularly-spaced time series data. Our lazy learner, by contrast, is an ensemble approach that employs dynamic time warping. We frame the timely detection of sepsis as a supervised time series classification task. For this, we derive the most recent sepsis definition in an hourly resolution to provide the first fully accessible early sepsis detection environment. Seven hours before sepsis onset, our methods improve area under the precision--recall curve from 0.25 to 0.35/0.40 over the state of the art. This demonstrates that they are well-suited for detecting sepsis in the crucial earlier stages when management is most effective.

研究の動機と目的

• 不規則にサンプリングされた ICU 時系列における早期敗血症検出の課題に取り組む。
• サンプリングの不規則性を考慮しつつ予測性能を最大化するエンドツーエンドモデルを開発する。
• コミュニティ研究のためにアクセス可能な、時刻ごとの Sepsis-3 ラベリングの枠組みとベンチマークデータセットを提供する。

提案手法

• MGP-TCN を提案する：不規則にサンプリングされた多変量時系列に対して多タスクガウス過程アダプタを時系列畳み込みネットワークと結合。
• エンドツーエンドの訓練を用いて MGP 後方推定と TCN 分類器を共同最適化する。
• DTW-KNN を提案する：チャンネル間でのマルチ変量 Dynamic Time Warping 距離に基づくアンサンブル分類器を提案、チャンネルごとの予測を平均化して集約。
• 評価を Sepsis-3 の時刻ごとのラベルと onset 7 時間前の予測ホライズンに合わせる。
• MIMIC-III データセット上で MGP-RNN および Raw-TCN のベースラインと比較し、主要指標としてAUPRCを使用。
• ケース対照マッチングを用いて自明な識別性を減らし、現実的な比較を保証する。

実験結果

リサーチクエスチョン

• RQ1 MGP-TCN と DTW-KNN は内部時系列が不規則であっても onset の 7 時間前より前に敗血症を安定して検出できるか？
• RQ2 提案手法は最先端の MGP-RNN および標準的な Raw-TCN を時刻ごとの Sepsis-3 フレームワーク下で上回るか？
• RQ3 予測ホライズン（ onset 7 時間前まで）は AUPRC と AUC によるモデル性能にどのように影響するか？

主な発見

• MGP-TCN は onset の 7 時間前に AUPRC を 0.35 へ改善し、従来手法を凌ぐ。
• DTW-KNN アンサンブルは onset の 7 時間前に AUPRC を 0.40 へ改善し、最先端を上回る。
• 両方の新規手法はホライズンを跨って一貫して MGP-RNN を上回る；Raw-TCN はこの設定で劣る。
• 補完ベースの Raw-TCN の性能はホライズンが onset から遠ざかるにつれて低下する一方、不確実性を考慮する MGP ベースの手法は利得を維持する。
• DTW-KNN は初期の強力な性能を示すが、非常に大規模コホートではスケーラビリティ/メモリの課題がある；一方 MGP-TCN はオンライン展開でよりスケールする。