[論文レビュー] Handling missing values in healthcare data: A systematic review of deep learning-based imputation techniques

M. Liu, Siqi Li+8 more|arXiv (Cornell University)|Oct 15, 2022

Machine Learning in Healthcare参考文献 92被引用数 4

ひとこと要約

本システマティックレビューでは、医療データにおける深層学習（DL）ベースの補完手法を評価し、モデルアーキテクチャ、補完戦略、データタイプを分析している。DL手法は、時系列データおよびマルチモーダルデータにおいて特に顕著に非DL手法を上回る精度を示しており、補完を下流タスクと同時に最適化する「統合型」戦略が、複雑なデータ環境において強力な有効性を示している。

ABSTRACT

Objective: The proper handling of missing values is critical to delivering reliable estimates and decisions, especially in high-stakes fields such as clinical research. The increasing diversity and complexity of data have led many researchers to develop deep learning (DL)-based imputation techniques. We conducted a systematic review to evaluate the use of these techniques, with a particular focus on data types, aiming to assist healthcare researchers from various disciplines in dealing with missing values. Methods: We searched five databases (MEDLINE, Web of Science, Embase, CINAHL, and Scopus) for articles published prior to August 2021 that applied DL-based models to imputation. We assessed selected publications from four perspectives: health data types, model backbone (i.e., main architecture), imputation strategies, and comparison with non-DL-based methods. Based on data types, we created an evidence map to illustrate the adoption of DL models. Results: We included 64 articles, of which tabular static (26.6%, 17/64) and temporal data (37.5%, 24/64) were the most frequently investigated. We found that model backbone(s) differed among data types as well as the imputation strategy. The "integrated" strategy, that is, the imputation task being solved concurrently with downstream tasks, was popular for tabular temporal (50%, 12/24) and multi-modal data (71.4%, 5/7), but limited for other data types. Moreover, DL-based imputation methods yielded better imputation accuracy in most studies, compared with non-DL-based methods. Conclusion: DL-based imputation models can be customized based on data type, addressing the corresponding missing patterns, and its associated "integrated" strategy can enhance the efficacy of imputation, especially in scenarios where data is complex. Future research may focus on the portability and fairness of DL-based models for healthcare data imputation.

研究の動機と目的

• 医療データにおける深層学習ベースの補完手法の現状を評価すること。
• DL補完研究において最も一般的に使用されているデータタイプとモデルアーキテクチャを特定すること。
• 補完を下流タスクと統合する「統合型」アプローチの有効性を評価すること。
• DLベースの補完手法と従来の非DL手法（例：平均値補完、k-NN、多重補完）との間での精度および信頼性を比較すること。
• 研究者がデータタイプと欠損パターンに応じて適切なDLモデルを選択できるように、構造的な証拠マップを提供すること。

提案手法

• 2021年8月までを期間として、MEDLINE、Web of Science、Embase、CINAHL、Scopusの5つのデータベースを対象にシステマティックな文献検索を実施した。
• 医療データの欠損値を補完するために深層学習モデルを適用した64件の研究を抽出した。
• データタイプ（例：テーブル型静的データ、時系列データ、マルチモーダルデータ）、モデルバックボーン（例：オートエンコーダー、GAN、トランスフォーマー）、補完戦略（例：スタンドアロン型、統合型）に基づいて研究を分類した。
• DLベースの補完結果を、平均値補完、k-NN、多重補完などの非DLベースのベースラインと比較して、モデルのパフォーマンスを評価した。
• 異なる医療データタイプにおけるDL補完手法の分布を可視化するための証拠マップを作成した。
• 補完を下流予測タスクと同時に最適化する「統合型」戦略の普及状況と有効性を分析した。

実験結果

リサーチクエスチョン

• RQ1 医療分野で深層学習ベースの補完手法が最も頻繁にターゲットとしているデータタイプは何か？
• RQ2 オートエンコーダー、GAN、トランスフォーマーなどの異なる深層学習モデルアーキテクチャは、さまざまな医療データタイプにおいてどのように性能を発揮するか？
• RQ3 複雑なデータ環境において、「統合型」補完戦略はスタンドアロン型補完と比較して相対的にどの程度有効であるか？
• RQ4 平均値補完やk-NNなどの非DL手法と比較して、DLベースの補完手法の精度はどの程度高いか？
• RQ5 異なる臨床的データモダリティおよび欠損パターンにおいて、DL補完手法の採用にどのような傾向が見られるか？

主な発見

• 時系列データ（37.5%、24/64）とテーブル型静的データ（26.6%、17/64）が、DL補完研究において最も頻繁に取り上げられたデータタイプであった。
• 「統合型」補完戦略（補完を下流タスクと同時に最適化）は、時系列データの研究の50%、マルチモーダルデータの研究の71.4%で使用されていた。
• レビューされた大多数の研究において、DLベースの補完手法が非DLベースの手法を精度面で一貫して上回っていた。
• モデルバックボーンはデータタイプによって顕著に異なることが判明し、アーキテクチャの選定は特定のデータ構造と欠損パターンに合わせて最適化されるべきであることが示された。
• 証拠マップから、特に縦断的およびマルチモーダルな環境において、高次元で複雑な医療データへのDLモデルの適用が増加傾向にあることが明らかになった。
• 強力なパフォーマンスにもかかわらず、現在の研究では、多様な患者集団におけるモデルの移植性と公平性に関する課題は十分に検討されていない。