[論文レビュー] Interpretable Outcome Prediction with Sparse Bayesian Neural Networks in Intensive Care

Anna-Lena Popkes, Hiske Overweg+5 more|arXiv (Cornell University)|May 12, 2019

Machine Learning in Healthcare参考文献 61被引用数 22

ひとこと要約

本論文では、人工ニューラルネットワークの予測の柔軟性と特徴選択による解釈可能性を組み合わせたスパースなベイジアンニューラルネットワークを提案する。つながったスパース性誘導事前分布を適用することにより、死亡予測における臨床的に関連するICU変数を同定し、臨床医に正確な予測結果と特徴の重要性に関する実行可能なインサイトを提供する。

ABSTRACT

Clinical decision making is challenging because of pathological complexity, as well as large amounts of heterogeneous data generated as part of routine clinical care. In recent years, machine learning tools have been developed to aid this process. Intensive care unit (ICU) admissions represent the most data dense and time-critical patient care episodes. In this context, prediction models may help clinicians determine which patients are most at risk and prioritize care. However, flexible tools such as artificial neural networks (ANNs) suffer from a lack of interpretability limiting their acceptability to clinicians. In this work, we propose a novel interpretable Bayesian neural network architecture which offers both the flexibility of ANNs and interpretability in terms of feature selection. In particular, we employ a sparsity inducing prior distribution in a tied manner to learn which features are important for outcome prediction. We evaluate our approach on the task of mortality prediction using two real-world ICU cohorts. In collaboration with clinicians we found that, in addition to the predicted outcome results, our approach can provide novel insights into the importance of different clinical measurements. This suggests that our model can support medical experts in their decision making process.

研究の動機と目的

• 高いデータ複雑性と多様性のため、集中治療医療ユニット（ICUs）における臨床意思決定の課題に対処すること。
• 従来の人工ニューラルネットワーク（ANNs）の解釈不能性の欠如を克服し、臨床医の信頼性と採用を制限する要因を解消すること。
• ANNの予測力は維持しつつ、透明な特徴の重要性同定を可能にする機械学習モデルを開発すること。
• 臨床医が患者の予後予測に最も影響を与える臨床的測定値を新たに理解するインサイトを得られるようにすること。

提案手法

• ICU予後予測における不確実性をモデル化し、確率的予測を支援するため、ベイジアンニューラルネットワークアーキテクチャを採用する。
• ネットワーク重み全体にわたってつながった形でスパース性誘導事前分布を適用し、特徴レベルのスパース性を促進する。
• 変分推論を用いてネットワーク重みの事後分布を近似し、効率的な学習と解釈を可能にする。
• 得られたスパースな重み構造を活用して、死亡予測における最も影響力のある臨床的特徴を同定および順位付けする。
• 妥当性と臨床的関連性を確保するため、2つの実世界のICUコhortに対してモデルを訓練および評価する。
• 臨床医と協働して、特徴の重要性順位付けの解釈可能性と臨床的妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 スパースなベイジアンニューラルネットワークは、特徴レベルの解釈可能性を提供しつつ、ICU死亡予測で高い予測性能を達成できるか？
• RQ2 モデルが最も重要なと判断した臨床的特徴は何か？ そして、それらは臨床的専門知識と一致しているか？
• RQ3 モデルの解釈可能性は、臨床医が予測プロセスを理解し、信頼するのをどのように支援するか？
• RQ4 スパース性誘導事前分布は、予測精度を損なうことなく、関連する特徴を効果的に同定できるか？

主な発見

• 提案されたモデルは、2つの実世界のICUコhortにおいて、死亡予測で優れた予測性能を達成した。
• スパース性誘導事前分布により、予後予測に最も関連する少数の臨床的特徴の意味のあるサブセットが的確に同定された。
• 臨床医との協働により、同定された特徴が確立された臨床的知識および病態生理学的推論と一致していることが確認された。
• 予測精度を超えて、異なる臨床的測定値の相対的な重要性に関する新たなインサイトが得られた。
• モデルの解釈可能性により、予測された予後の主な駆動要因を強調することで、臨床意思決定を支援した。
• つながったスパース性メカニズムにより、複数の層にわたる一貫性のある特徴選択が可能になり、モデルの透明性が向上した。