[論文レビュー] Forecasting Disease Trajectories in Alzheimer's Disease Using Deep Learning

Bryan Lim, Mihaela van der Schaar|arXiv (Cornell University)|Jul 6, 2018

Machine Learning in Healthcare参考文献 3被引用数 5

ひとこと要約

本稿では、ADNIデータ上で、MCドロップアウトを用いたRNNベースのアーキテクチャにより、縦断的バイオマーカーの推移と疾患進行までの時間の両方を統合的にモデリングする深層学習フレームワーク、Disease-Atlasを提案する。標準的な共同モデルやLSTMと比較して、縦断的予測では最大40%低いMSE、認知症移行予測では7%高いAUROCを達成した。

ABSTRACT

Joint models for longitudinal and time-to-event data are commonly used in longitudinal studies to forecast disease trajectories over time. Despite the many advantages of joint modeling, the standard forms suffer from limitations that arise from a fixed model specification and computational difficulties when applied to large datasets. We adopt a deep learning approach to address these limitations, enhancing existing methods with the flexibility and scalability of deep neural networks while retaining the benefits of joint modeling. Using data from the Alzheimer's Disease Neuroimaging Institute, we show improvements in performance and scalability compared to traditional methods.

研究の動機と目的

• 従来の縦断的データと時間に依存する結果の共同モデリングにおける限界、例えば固定されたモデル仕様や大規模データセットにおけるスケーラビリティの問題を解決すること。
• 疾患進行や認知症発症の動的でパーソナライズされた予測を可能にすることで、アルツハイマー病における臨床意思決定支援を強化すること。
• 統計的厳密性を保ちつつ、予測性能を向上させる、スケーラブルで柔軟な深層学習フレームワークを構築すること。
• 実世界のADNIデータを用いて手法の妥当性を検証し、生存予測および縦断的予測の両タスクで優れた性能を示すこと。

提案手法

• Disease-Atlasは、縦断的変数および共変量間の時間的・相関的相関をモデル化するため、共有時間的エンコーダとして長短期記憶（LSTM）ネットワークを用いる。
• 連続的バイオマーカー（例：MRIボリューム）、離散的認知スコア、時間に依存する結果（例：認知症移行）を予測するためのタスク固有の層を採用する。
• 確率的共同モデリングと整合性を保つために、RNNの入力、メモリ状態、出力にモンテカルロ（MC）ドロップアウトを適用し、不確実性推定を実現する。
• すべての出力タイプの予測分布を統合する尤度ベースの損失関数を用いて学習を実施し、エンドツーエンドの共同学習を可能にする。
• 3段階のアーキテクチャにより、共有時間的表現学習、タスク固有の表現学習、出力層計算を分離し、マルチタスク予測を実現する。
• ハイパーパrameterは20回のランダムサーチにより最適化され、データは60%訓練、20%検証、20%評価に分割され、交差検証が実施された。

実験結果

リサーチクエスチョン

• RQ1 深層学習フレームワークは、標準的な共同モデルや再帰的ニューラルネットワークよりも、アルツハイマー病の病態推移を予測する能力を上回ることができるか？
• RQ2 Disease-Atlasは、ランドマーク法や共同モデルと比較して、認知症発症などの時間に依存する結果の予測精度をどの程度向上させるか？
• RQ3 Disease-Atlasは、さまざまな時間スケール（時間枠）において、縦断的バイオマーカーの変化（例：海馬萎縮、認知スコア）をどの程度正確に予測できるか？
• RQ4 モンテカルロドロップアウトの統合は、共同モデリングにおける不確実性評価を向上させつつ、予測性能を維持できるか？
• RQ5 本フレームワークは、モデルの柔軟性や解釈性を損なわず、大規模な縦断的データセットに対しても効果的にスケーリングできるか？

主な発見

• Disease-Atlasは、短期間の予測（τ = 0.5～2年）において、標準的な共同モデル（JM）と比較して平均で7%高いAUROCを達成し、LSTMと比較して10%高い値を示した。
• 縦断的予測において、Disease-Atlasは共同モデルと比較して平均で40%のMSE低減を達成し、最大で78%の低減を示した。
• AUPRCにおいても一貫した向上が見られ、τ = 0.5における平均AUPRCは32.6%に達し、LSTM（25.6%）やランドマーク法（27.0%）を上回った。
• 脳室体積（78%のMSE低減）と海馬萎縮（63%のMSE低減）の予測において、Disease-AtlasはJMを著しく上回った。これらは神経変性の主要な指標である。
• CDRSBやMMSEといった認知スコアの予測において、それぞれ平均で34%および18%のMSE低減を達成し、臨床的評価の予測性能が優れていた。
• RAVLT記憶テストやADAS13を含む多様なバイオマーカーにおいても、MSE低減率は0%～35%の範囲で、測定対象や時間枠に応じて変動しながらも、高い性能を維持した。