[論文レビュー] Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations

Ioana Bica, Ahmed M. Alaa+2 more|arXiv (Cornell University)|Feb 10, 2020

Machine Learning in Healthcare参考文献 60被引用数 31

ひとこと要約

Counterfactual Recurrent Network (CRN) は、対立的にバランスの取れた表現を用いて観測データから時間変化する反実仮想治療結果を推定し、時間とともに最適な治療決定を可能にする。

ABSTRACT

Identifying when to give treatments to patients and how to select among multiple treatments over time are important medical problems with a few existing solutions. In this paper, we introduce the Counterfactual Recurrent Network (CRN), a novel sequence-to-sequence model that leverages the increasingly available patient observational data to estimate treatment effects over time and answer such medical questions. To handle the bias from time-varying confounders, covariates affecting the treatment assignment policy in the observational data, CRN uses domain adversarial training to build balancing representations of the patient history. At each timestep, CRN constructs a treatment invariant representation which removes the association between patient history and treatment assignments and thus can be reliably used for making counterfactual predictions. On a simulated model of tumour growth, with varying degree of time-dependent confounding, we show how our model achieves lower error in estimating counterfactuals and in choosing the correct treatment and timing of treatment than current state-of-the-art methods.

研究の動機と目的

• 観測データから時間の経過に伴う治療効果を推定する必要性を動機づけ、解決する。
• 治療不変の表現を介して時系列の混同を考慮するシーケンス・ツー・シーケンスモデルの提案。
• 計画された治療系列の下で将来の反実仮想的な結果を予測可能にし、治療の時期と選択を知らせる。
• 表現のバランスを取るためにドメイン対向訓練を活用し、縦断データの因果推論を改善する。

提案手法

• Counterfactual Recurrent Network (CRN) を導入する。計画された治療系列の下で反実仮想の結果を予測するエンコーダーとデコーダーを組み合わせた seq2seq アーキテクチャ。
• RNNエンコーダを用いて、現在の治療に関して履歴をバランスさせる治療不変表現 Phi(H_t) を構築する。勾配反転レイヤを介して。
• 治療分類器 G_a と結果予測子 G_y を組み込み、治療識別ロスを最大化し、アウトカムロスを最小化するように学習する。
• 各時刻において複数の治療ドメインにまたがるドメイン対向訓練を適用し、時間依存の交絡バイアスを低減する。
• 平衡化された表現からデコーダを初期化し、計画された治療の下で結果を自己回帰的に予測することによって反実仮想の未来をデコードする。
• 変分ドロップアウトによる不確実性推定を提供し、必要に応じて PhasedLSTM の変種を用いた不規則サンプリングを許可する。
• 学習目的はアウトカム予測ロスと重み付けされた治療識別ロスを組み合わせ、ドメイン不変性を捉えるミニマックスゲームにより最適化する。

実験結果

リサーチクエスチョン

• RQ1 対向トレーニングによって学習されたバランス表現は、縦断的治療設定における時変の交絡を除去できるか。
• RQ2 CRN からの反実仮想アウトカム推定と治療推奨は、交絡の度合いが様々な場合において最先端手法を上回るか。
• RQ3 CRN は反実仮想予測の信頼できる不確実性推定を提供し、開始/停止や時間経過にわたる治療選択について臨床判断を支援できるか。

主な発見

• CRN は、時変の交絡レベルが異なる腫瘍増殖シミュレーションにおいて、最先端手法よりも反実仮想予測誤差を低く達成する。
• CRN with adversarial balancing (λ>0) は、対向訓練なしの CRN より有意に優れており、1ステップ先の反実仮想において最大で 48.1% の RMSE 改善を達成。
• Compared to Recurrent Marginal Structural Networks (RMSN), CRN provides about 17% lower error when confounding is strong (γ>6).
• CRNは予測の穴埋めの期間を跨いで正しい治療とタイミングを選択する精度を高め、異なるポリシー設定にも頑健な性能を示す。
• T-SNE 可視化は、バランス表現 Phi(H_t) が時刻 t の治療を予測しないことを示しており、治療不変性を確認している。
• このアプローチは、シミュレーションされた腫瘍成長を超えて実データ（MIMIC-III）にも適用可能であることを示しており、潜在的な臨床意思決定支援の利用を支持する。