[論文レビュー] Interpretable Disease Prediction based on Reinforcement Path Reasoning over Knowledge Graphs

Zhoujian Sun, Wei Dong+2 more|arXiv (Cornell University)|Oct 16, 2020

Machine Learning in Healthcare参考文献 39被引用数 5

ひとこと要約

本稿では、知識グラフ（KG）を用いた解釈可能な疾患予測のための強化学習ベースの手法を提案する。ポリシー駆動のエージェントが患者データからランダムウォークを実行し、臨床的に意味のある経路を通じて疾患を予測する。本モデルは2つの実世界のEHRデータセットで、それぞれ0.743および0.639のマクロAUCスコアを達成し、臨床的に検証された解釈可能な疾患進行経路を提供する。

ABSTRACT

Objective: To combine medical knowledge and medical data to interpretably predict the risk of disease. Methods: We formulated the disease prediction task as a random walk along a knowledge graph (KG). Specifically, we build a KG to record relationships between diseases and risk factors according to validated medical knowledge. Then, a mathematical object walks along the KG. It starts walking at a patient entity, which connects the KG based on the patient current diseases or risk factors and stops at a disease entity, which represents the predicted disease. The trajectory generated by the object represents an interpretable disease progression path of the given patient. The dynamics of the object are controlled by a policy-based reinforcement learning (RL) module, which is trained by electronic health records (EHRs). Experiments: We utilized two real-world EHR datasets to evaluate the performance of our model. In the disease prediction task, our model achieves 0.743 and 0.639 in terms of macro area under the curve (AUC) in predicting 53 circulation system diseases in the two datasets, respectively. This performance is comparable to the commonly used machine learning (ML) models in medical research. In qualitative analysis, our clinical collaborator reviewed the disease progression paths generated by our model and advocated their interpretability and reliability. Conclusion: Experimental results validate the proposed model in interpretably evaluating and optimizing disease prediction. Significance: Our work contributes to leveraging the potential of medical knowledge and medical data jointly for interpretable prediction tasks.

研究の動機と目的

• 医療知識と電子的健康記録（EHR）を統合した疾患予測モデルを構築し、解釈性を向上させること。
• ブラックボックス型医療AIモデルの透明性の欠如に対処し、追跡可能で臨床的に意味のある疾患進行経路を生成すること。
• 知識グラフを活用して、検証済みの医療知識から得られる既知の疾患リスク要因関係をエンコードすること。
• EHRデータを用いてポリシーを学習し、患者プロファイルから疾患の結果に至る経路選択をガイドすること。
• 臨床専門家によるレビューを通じて、生成された予測経路の臨床的関連性と解釈可能性を検証すること。

提案手法

• 検証済みの医療知識を用いて、疾患とリスク要因の関係をエンコードした知識グラフ（KG）を構築する。
• 各患者をKG内のノードとして表現し、現在の疾患またはリスク要因を介して接続する。
• 疾患予測を、患者エンティティから始まり疾患エンティティで終わるKG上のランダムウォークとして定式化する。
• 予測精度を最大化する最適な歩行経路を学習するために、ポリシーに基づく強化学習（RL）エージェントを用いる。
• 歴史的患者の結果に基づいて、経路選択を最適化するため、実世界のEHRデータを用いてRLポリシーを訓練する。
• 患者特徴から予測された疾患に至るまでのステップバイステップの推論シーケンスとして、解釈可能な予測経路を生成する。

実験結果

リサーチクエスチョン

• RQ1 知識グラフ上で強化学習を用いることで、解釈可能で臨床的に意味のある疾患予測経路を生成できるか？
• RQ2 標準的な機械学習ベースラインと比較して、本モデルは特定の疾患リスクの予測においてどの程度の性能を示すか？
• RQ3 臨床専門家から見た場合、生成された予測経路はどの程度信頼性があり、解釈可能とされるか？
• RQ4 医療知識とEHRデータの統合により、疾患予測における性能と解釈性の両方を向上させられるか？
• RQ5 本モデルの経路推論は、さまざまな実世界のEHRデータセットにおいてどの程度頑健か？

主な発見

• 最初のEHRデータセットにおいて、53種類の循環器疾患を予測する際、マクロAUCが0.743に達し、優れた予測性能を示した。
• 2番目のEHRデータセットでは、マクロAUCが0.639に達し、多様な臨床データにおいて一貫した性能を示した。
• 臨床専門家によるレビューで、生成された疾患進行経路の解釈可能性と臨床的信頼性が確認された。
• 強化学習ポリシーは、意味のある、患者固有の予測経路を生成するための知識グラフ内でのナビゲーションを効果的に学習した。
• 医療知識とEHRデータの統合により、正確かつ説明可能な疾患リスク予測が可能になった。
• 本モデルの経路推論は、透明で追跡可能な説明を提供し、臨床意思決定を支援する。