[論文レビュー] Generating Synthetic Clinical Data that Capture Class Imbalanced Distributions with Generative Adversarial Networks: Example using Antiretroviral Therapy for HIV

Nicholas I-Hsien Kuo, Garcia, Federico+7 more|arXiv (Cornell University)|Aug 18, 2022

Generative Adversarial Networks and Image Synthesis被引用数 6

ひとこと要約

本稿では、HIV抗レトロウイルス療法（ART）データにおけるレア患者群を含むクラス不均衡分布を保持する合成臨床時系列データを生成するため、メモリバッファを備えたハイブリッド GAN-VAE フレームワークを提案する。潜在的特徴の再利用と変分符号化によるモード崩壊の緩和により、高い忠実性、多様性、再識別リスクの低減を実現した合成データを生成し、特に公平性が求められる応用分野における下流の機械学習の有用性を顕著に向上させる。

ABSTRACT

Clinical data usually cannot be freely distributed due to their highly confidential nature and this hampers the development of machine learning in the healthcare domain. One way to mitigate this problem is by generating realistic synthetic datasets using generative adversarial networks (GANs). However, GANs are known to suffer from mode collapse thus creating outputs of low diversity. This lowers the quality of the synthetic healthcare data, and may cause it to omit patients of minority demographics or neglect less common clinical practices. In this paper, we extend the classic GAN setup with an additional variational autoencoder (VAE) and include an external memory to replay latent features observed from the real samples to the GAN generator. Using antiretroviral therapy for human immunodeficiency virus (ART for HIV) as a case study, we show that our extended setup overcomes mode collapse and generates a synthetic dataset that accurately describes severely imbalanced class distributions commonly found in real-world clinical variables. In addition, we demonstrate that our synthetic dataset is associated with a very low patient disclosure risk, and that it retains a high level of utility from the ground truth dataset to support the development of downstream machine learning algorithms.

研究の動機と目的

• GANベースの合成臨床データ生成におけるモード崩壊の課題に取り組み、特にマイノリティ患者の表現における多様性と公平性を損なわないようにすること。
• 時間的系列データ（例：HIV抗レトロウイルス療法）を含む、現実世界の臨床変数の複雑で不均衡な分布を保持する手法の開発。
• 実データに類似した高品質な合成データと、代表されないデモグラフィック要因の強力な表現を実現し、倫理的かつ公平な機械学習応用を支援すること。
• 再識別リスクを最小限に抑えつつ、強化学習エージェントなどの下流モデルの学習に適したデータ有用性を維持するための患者プライバシー保護。
• 研究利用を想定し、公開可能な高品質な合成データセットを提供し、医療分野における再現可能で倫理的な AI の支援を行うこと。

提案手法

• 本手法は、WGAN-GP を変分オートエンコーダー（VAE）と組み合わせ、実臨床データの分離可能で構造的な潜在的表現を学習する。
• メモリバッファがトレーニングデータからの実潜在的特徴を保存・再利用し、生成器に供給することで、未表現なパターンを強化し、モード崩壊を防止する。
• 生成器は、ランダムノイズに加え、バッファ内の実潜在的特徴を条件として受けることで、多様性と分布の正確性が向上する。
• 訓練の安定化とモードカバレッジの向上を図るため、勾配ペナルティ（G_EOT）を用いた WGAN-GP 損失を採用する。
• モデルは、13 つの ART 変数について 60 ヶ月の縦断的記録を持つ 8,916 人の患者を含む、EuResist HIV ART データセットで学習される。
• 最終的な合成データセットは、534,960 行の 44.7 MB の CSV ファイルとして公開され、https://healthgym.ai/ で入手可能である。

実験結果

リサーチクエスチョン

• RQ1 VAE とメモリリプレイを備えた GAN フレームワークは、不均衡な臨床時系列データの合成生成におけるモード崩壊を効果的に緩和できるか？
• RQ2 提案手法は、特にマイノリティデモグラフィックグループにおいて、現実世界の臨床変数の分布的特性をどの程度正確に保持できるか？
• RQ3 合成データは、治療最適化のための強化学習エージェントの学習を支援するか、具体的には治療意思決定の最適化タスクにおいてどの程度の性能を示すか？
• RQ4 合成データの再識別リスクは、実データと比較してどの程度か？また、十分なプライバシー保護が確保されているか？
• RQ5 メモリバッファの導入により、合成データセットにおけるコhort の多様性と、代表されない人群の表現が顕著に向上するか？

主な発見

• 提案された WGAN-GP+G_EOT+VAE+Buffer モデルは、モード崩壊を効果的に抑制し、ベースライン GAN よりも顕著に高いコhort の多様性を実現した合成データを生成した。
• 合成データセットは、臨床変数の不均衡な分布（例：低頻度の薬剤使用パターンやマイノリティ層のデモグラフィック要因）を正確に再現した。
• 強化学習エージェントが合成データセット（$\mathfrak{D}_{\text{alt}}$）で学習した場合、実データセット（$\mathfrak{D}_{\text{real}}$）で学習した場合とほぼ同一の治療行動方針を生成した。特にマイノリティ患者において顕著な類似性を示した。
• 一方、Kuo ら（2022）が提示したベースライン合成データセット（$\mathfrak{D}_{\text{null}}$）はモード崩壊を示しており、マイノリティ層の治療提案において顕著な乖離が見られた。
• 合成データセットは、再識別証拠が一切確認されず、高精度な類似性と代表性を達成した。公開されたデータは https://healthgym.ai/ で研究利用可能である。
• 既存の GAN ベースのベースラインと比較して、本手法は縦断的 HIV ART データにおける変数間相関関係と時間的ダイナミクスの保持において優れた性能を示した。