[論文レビュー] Learning Matching Representations for Individualized Organ Transplantation Allocation

Can Xu, Ahmed M. Alaa+4 more|arXiv (Cornell University)|Jan 28, 2021

Hepatitis C virus research参考文献 28被引用数 4

ひとこと要約

本論文では、ドナーをタイプにクラスタリングするとともに、受取人に対するドナーに依存しない表現を学習するマッチング表現学習モデルを提案する。これにより、希少なドナー-受取人マッチングの反事実的推定が可能となり、実世界のデータにおいて、最新の割り当てポリシーおよび人間の専門家ガイドラインを上回る性能を発揮する。平均生存期間が25日（2%）延長され、死亡率が4.9%低下した。

ABSTRACT

Organ transplantation is often the last resort for treating end-stage illness, but the probability of a successful transplantation depends greatly on compatibility between donors and recipients. Current medical practice relies on coarse rules for donor-recipient matching, but is short of domain knowledge regarding the complex factors underlying organ compatibility. In this paper, we formulate the problem of learning data-driven rules for organ matching using observational data for organ allocations and transplant outcomes. This problem departs from the standard supervised learning setup in that it involves matching the two feature spaces (i.e., donors and recipients), and requires estimating transplant outcomes under counterfactual matches not observed in the data. To address these problems, we propose a model based on representation learning to predict donor-recipient compatibility; our model learns representations that cluster donor features, and applies donor-invariant transformations to recipient features to predict outcomes for a given donor-recipient feature instance. Experiments on semi-synthetic and real-world datasets show that our model outperforms state-of-art allocation methods and policies executed by human experts.

研究の動機と目的

• 観察データを用いた臓器移植におけるドナー-受取人適合性の課題に取り組む。標準的な教師あり学習では、マッチングバイアスと観察されない反事実的マッチングのため、機能しないため。
• ドナーと受取人の特徴を統合的に学習することで、希少なドナー-受取人組み合わせに一般化可能なデータ駆動型手法を開発する。ドナーのクラスタリングと、ドナータイプごとに受取人特徴を一致させる。
• 訓練データに存在しない反事実的マッチングにおける移植結果を推定する。これにより、より優れた割り当てポリシーの実現が可能となる。
• 実世界および準合成データセットを用いて、生存および利益指標において、既存の割り当て手法および専門家主導のポリシーを上回ることを目的とする。

提案手法

• モデルは、ドナー特徴の類似性に基づいてドナーを離散的な「タイプ」にグループ化するため、深層埋め込みクラスタリングネットワーク（DEC）を用いる。
• 受取人特徴にドナーに依存しない変換を適用し、異なるドナータイプにマッチングされた受取人分布の分布を一致させ、各ドナータイプにマッチングされた受取人分布間の確率的距離を最小化する。
• ドナータイプと変換済み受取人特徴の統合表現を、すべての可能なドナータイプの結果予測に使用する多ヘッドニューラルネットワークに供給する。
• モデル全体は、ドナータイプのクラスタリング損失と移植結果の予測損失の両方を最適化する統合的目的関数により、エンドツーエンドで訓練される。
• 反事実的結果推定は、訓練データに存在しなかったマッチングに対しても、特定の受取人に各ドナータイプを適用した結果を予測することで実現される。
• 共変量シフトの低減と、レアドナーおよび受取人分布への一般化の向上を図るために、ドメイン適応の原則を組み込む。

実験結果

リサーチクエスチョン

• RQ1 代表表現学習は、既知の臨床的要因を超えて、ドナー-受取人適合性における複雑で高次元の相互作用をモデル化できるか？
• RQ2 訓練データに強いマッチングバイアスが存在する中で、観察されないドナー-受取人マッチングに一般化できるか？
• RQ3 人間の専門家主導の割り当てポリシーと比較して、データ駆動型モデルは移植結果をどの程度改善できるか？
• RQ4 ドナーの共同クラスタリングと受取人特徴におけるドメイン適応は、臓器割り当てにおける反事実的結果推定を向上させられるか？

主な発見

• 提案モデルは、PLTSDデータセットにおいて、実世界の割り当てポリシーと比較して平均生存期間を25日（2%）延長し、死亡率を4.9%低下させた。
• AoDT（意思決定トレードオフの面積）は62.60%に達し、最良のベースラインより4%向上、ランダムマッチングより87.82%向上した。
• PLTSDデータセットにおいて、モデルの割り当てポリシーは最良のベースライン（BFポリシー）を上回り、平均生存期間1305.16日、利益指標736.98を達成した。これに対してBFポリシーは1306.01日と737.25を記録した。
• PLTSDおよびFPLTSDデータセットにおいて、モデルは最良のベースラインと比較して、事実的結果予測誤差を3.4%低減した。
• モデルの表現学習アプローチは、分離したクラスタリングと予測部品を有するすべてのベースライン設定を上回り、平均誤差（εF）14.5362およびWMSE 14.0140を達成した。
• 75.7%のケースにおいて、モデルは実世界のポリシーとは異なる受取人をドナーに割り当てており、標準的な割り当てルールからの顕著な逸脱を示している。