[論文レビュー] Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes

Zhaozhi Qian, Ahmed M. Alaa+3 more|arXiv (Cornell University)|Jan 8, 2020

Mental Health Research Topics参考文献 25被引用数 12

ひとこと要約

本稿では、電子歴史記録（EHR）イベントデータから動的で個人に特化した共存疾患ネットワークを学習するための深層確率的モデル、Deep Diffusion Processes（DDP）を提案する。DDPは、神経ネットワークで調整されるエッジ重みを有する多次元ポイント過程として疾患発症をモデル化することで、優れた予測性能と解釈可能な疾患経路表現を達成し、ドメイン内およびドメイン外の設定においてベースラインを上回る。特に、異なるがん種間での転移学習において顕著な優位性を示した。

ABSTRACT

Comorbid diseases co-occur and progress via complex temporal patterns that vary among individuals. In electronic health records we can observe the different diseases a patient has, but can only infer the temporal relationship between each co-morbid condition. Learning such temporal patterns from event data is crucial for understanding disease pathology and predicting prognoses. To this end, we develop deep diffusion processes (DDP) to model "dynamic comorbidity networks", i.e., the temporal relationships between comorbid disease onsets expressed through a dynamic graph. A DDP comprises events modelled as a multi-dimensional point process, with an intensity function parameterized by the edges of a dynamic weighted graph. The graph structure is modulated by a neural network that maps patient history to edge weights, enabling rich temporal representations for disease trajectories. The DDP parameters decouple into clinically meaningful components, which enables serving the dual purpose of accurate risk prediction and intelligible representation of disease pathology. We illustrate these features in experiments using cancer registry data.

研究の動機と目的

• 電子歴史記録からのイベントデータを用いて、複雑で時間的に変化する共存疾患間の相互作用をモデル化すること。
• 患者の履歴から個人に特化した疾患進行パターンを捉える方法を開発し、個人に特化した共存疾患ネットワークを学習すること。
• リスク予測の正確性を向上させつつ、疾患経路の臨床的解釈可能性を維持すること。
• 再訓練を伴わずに、例えば結腸がんから胃がんへのように、異なる疾患集団間での転移学習を可能にすること。
• 疾患の真正な時間的進行を反映する、臨床的に意味のある動的ネットワーク構造を明らかにすること。

提案手法

• 疾患発症イベントを、動的で重み付きグラフ構造によってパrameter化された強度関数を有する多次元ポイント過程としてモデル化する。
• 強度関数を、バックグラウンドリスク、静的ペアワイズ相互作用、時間依存的影響、および深層ニューラルネットワークで調整される動的成分に分解する。
• 患者の履歴を時間変化するエッジ重みにマップするニューラルネットワークを用い、個人に特化したかつ適応可能な共存疾患ネットワーク表現を可能にする。
• 尤度最大化を用いてエンドツーエンドに訓練し、予測とネットワーク構造学習を同時に最適化する。
• 臨床的解釈可能性の高いコンポーネントを統合し、モデルの透明性を確保するとともに、疾患メカニズムに関する仮説生成を促進する。
• がん登録データにモデルを適用し、共存疾患ネットワークを学習し、ドメイン内およびドメイン外の予測タスクでの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層確率的モデルは、縦断的EHRイベントデータから動的で個人に特化した共存疾患ネットワークを学習できるか？
• RQ2 エッジ重みを調整するニューラルネットワークを組み込むことで、静的またはパrametricモデルと比較して予測精度がどの程度向上するか？
• RQ3 学習された共存疾患ネットワークは、例えば結腸がんから胃がんへのように、異なる疾患集団間でどの程度一般化可能か？
• RQ4 モデルの解釈可能なコンポーネントは、臨床的に意味のある疾患進行経路を明らかにするのを支援できるか？
• RQ5 固定または構造が限定された相互作用メカニズムを有するモデルと比較して、動的ネットワーク構造はドメイン外性能をどのように改善するか？

主な発見

• DDPは8つの疾患予測タスクのうち5つで最高の性能を示し、残りの3つについても競争力のある結果を示し、cHawkesおよびCharlsonスコアを著しく上回った。
• ドメイン外の転移実験では、DDPは、結腸がんデータで学習した後、胃がんデータでテストされた際、すべてのベースライン（Neural Hawkesを含む）を著しく上回った。
• カイ二乗検定の結果、結腸がんと胃がんのデータセット間で疾患の有病率およびペア出現頻度に有意差が認められ（p < 0.001）、これは集団レベルのネットワークがうまく転送されないことを示唆した。
• ジャカード距離解析により、各データセット内でのグラフの異質性が2つのデータセット間の異質性よりも高かったことが確認され、DDPががん種に跨って一般化可能なネットワーク構造を学習したことを裏付けた。
• Neural Hawkes や RETAIN とは異なり、DDPは解釈可能な動的共存疾患ネットワークを推論でき、臨床的インサイトを強化し、疾患メカニズムに関する仮説生成を支援する。
• DDPは優れた一般化性能を示し、これはその動的かつ履歴依存のネットワーク学習が、データが乏しい希少疾患や代表的でないサブグループに適していることを示唆している。