[論文レビュー] Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning

Sirui Ding, Ruixiang Tang+5 more|PubMed|Feb 18, 2023

Organ Transplantation Techniques and Outcomes参考文献 16被引用数 9

ひとこと要約

この論文は、公平性を考慮した機械学習フレームワークを提案します。埋め込みベースのスパース特徴処理と木から蒸留された密な特徴を組み合わせて肝移植の肝移植後の失敗を予測し、人種と性別に対する公平性を改善するための2段階のデバイアス戦略を用いています。

ABSTRACT

Liver transplant is an essential therapy performed for severe liver diseases. The fact of scarce liver resources makes the organ assigning crucial. Model for End-stage Liver Disease (MELD) score is a widely adopted criterion when making organ distribution decisions. However, it ignores post-transplant outcomes and organ/donor features. These limitations motivate the emergence of machine learning (ML) models. Unfortunately, ML models could be unfair and trigger bias against certain groups of people. To tackle this problem, this work proposes a fair machine learning framework targeting graft failure prediction in liver transplant. Specifically, knowledge distillation is employed to handle dense and sparse features by combining the advantages of tree models and neural networks. A two-step debiasing method is tailored for this framework to enhance fairness. Experiments are conducted to analyze unfairness issues in existing models and demonstrate the superiority of our method in both prediction and fairness performance.

研究の動機と目的

• 移植後の MELD の限界とドナー/臓器特徴を解決することによる、公平な臓器配分への動機づけ。
• 密な特徴とスパース特徴を扱う統一的な枠組みを開発して graft failure 予測を行う。
• 予測時に人種・性別グループ間のバイアスを減らすための公正性制約を組み込む。
• STAR 肝移植データセットで手法を評価し、従来のベースラインと比較する。

提案手法

• スパース特徴をCatNN（埋め込み + FM 交互作用）で処理し、1次/2次および高次の相互作用を捉える。
• 樹木ベースのモデルからの知識をニューラルネットワークに蒸留して、樹のクラスタリング（リーフ）構造を模倣した密な特徴を処理する。
• スパース表現と密な表現を、シグモイド出力の前に重み付き結合でエンドツェンドの融合を行う。
• クロスエントロピー損失で学習し、感受性グループ（人口統計的平等）間の予測を整合させるための2段階の公平性正規化を適用する。
• 2段階のデバイアス回避：（1）密な特徴蒸留損失に公正性損失を追加する；（2）エンドツェンドの学習損失に公正性損失を追加する。

実験結果

リサーチクエスチョン

• RQ1 MELD は、人種・性別グループ間の臓器受領率および移植後 graft failure に整合するか。
• RQ2 提案する公正MLフレームワークは、サブグループのバイアスを減らしつつ正確な graft failure の予測を達成できるか。
• RQ3 各デバイアス回避ステージが最終予測の公正性に与える寄与はどれか。
• RQ4 框架はベースラインの MELD、ロジスティック回帰、ランダムフォレスト、勾配ブースティングと比較して、精度と公正性の指標でどうか。

主な発見

Model	Sensitive attribute: Race	Sensitive attribute: Gender	ROC AUC (Race)	DPD (Race)	EOD (Race)	ROC AUC (Gender)	DPD (Gender)	EOD (Gender)
MELD-score	—	—	0.505 ± 0.000	—	—	0.505 ± 0.000	—
Logistic Regression	0.777 ± 0.000	0.648 ± 0.017	0.834 ± 0.007	0.777 ± 0.000	0.021 ± 0.000	0.033 ± 0.001
Random forest	0.804 ± 0.000	0.630 ± 0.030	0.703 ± 0.047	0.804 ± 0.000	0.020 ± 0.001	0.036 ± 0.001
GBDT	0.809 ± 0.000	0.637 ± 0.027	0.713 ± 0.033	0.809 ± 0.000	0.017 ± 0.000	0.031 ± 0.001
W/o first-step	0.793 ± 0.000	0.596 ± 0.022	0.687 ± 0.038	0.792 ± 0.000	0.016 ± 0.002	0.027 ± 0.002
W/o second-step	0.793 ± 0.001	0.616 ± 0.041	0.745 ± 0.076	0.793 ± 0.001	0.014 ± 0.007	0.026 ± 0.009
Ours	0.792 ± 0.000	0.597 ± 0.015	0.662 ± 0.029	0.793 ± 0.001	0.011 ± 0.001	0.022 ± 0.003

• 提案フレームワークは、ベースラインと比較して予測性能で競争力を持ちつつ、サブグループのバイアスを低減する。
• MELDスコア単独は graft failure との相関が弱く、サブグループ間の公正性整合性が低い。
• 2段階のデバイアス回避は、公正性指標（デモグラフィックパリティ差と等化オッズ差）を、ベースモデルを超えて改善する。
• アブレーションにより、両方のデバイアス回避ステップを組み合わせると公正性の結果が最良になることが示された。
• 人種ベースの予測はデバイアスにより有意に改善され、ROC-AUC への影響は控えめである。性別ベースの公正性は、公正性指標の顕著な改善を示し、ROC-AUC の変化は小さい。
• STAR データセット上で、人種と性別グループの公正性が改善された。