[論文レビュー] Longitudinal data analysis using matrix completion.

Łukasz Kidziński, Trevor Hastie|arXiv (Cornell University)|Sep 24, 2018

Sparse and Compressive Sensing Techniques参考文献 18被引用数 11

ひとこと要約

本論文は、疎で不規則なバイオメディカルデータから縦断的進行曲線を推定するために反復的SVDを用いた行列補完フレームワークを提案する。この手法は、てんかん性麻痺を有する乳幼児における運動障害の傾向を効果的にモデル化し、変動の30%を説明し、低ランク表現を用いて亜型ごとの異なる進行パターンを明らかにした。

ABSTRACT

In clinical practice and biomedical research, measurements are often collected sparsely and irregularly in time while the data acquisition is expensive and inconvenient. Examples include measurements of spine bone mineral density, cancer growth through mammography or biopsy, a progression of defect of vision, or assessment of gait in patients with neurological disorders. Since the data collection is often costly and inconvenient, estimation of progression from sparse observations is of great interest for practitioners. From the statistical standpoint, such data is often analyzed in the context of a mixed-effect model where time is treated as both random and fixed effect. Alternatively, researchers analyze Gaussian processes or functional data where observations are assumed to be drawn from a certain distribution of processes. These models are flexible but rely on probabilistic assumptions and require very careful implementation. In this study, we propose an alternative elementary framework for analyzing longitudinal data, relying on matrix completion. Our method yields point estimates of progression curves by iterative application of the SVD. Our framework covers multivariate longitudinal data, regression and can be easily extended to other settings. We apply our methods to understand trends of progression of motor impairment in children with Cerebral Palsy. Our model approximates individual progression curves and explains 30% of the variability. Low-rank representation of progression trends enables discovering that subtypes of Cerebral Palsy exhibit different progression trends.

研究の動機と目的

• 疎で不規則に配置された臨床的測定値から疾患の進行を推定する課題に対処すること。
• 混合効果モデルやガウス過程の代替として、柔軟で確率的でない縦断的データ解析手法を提供すること。
• 多次元および回帰設定において、個々の進行曲線を推定できること。
• 進行データにおける低ランク構造を活用して、疾患亜型の背後にある傾向を発見すること。

提案手法

• 疎な縦断的観察のデータ行列を補完するために反復的特異値分解（SVD）を適用する。
• 個々の進行曲線をデータ内の潜在的パターンとして、低ランク近似を用いてモデル化する。
• 欠損項目が未観測の時系列に対応する行列補完問題として問題を定式化する。
• 収束するまでSVDを用いて低ランク推定値を反復的に更新することで、曲線推定を改善する。
• 共変量を行列構造に組み込むことで、多次元縦断的データおよび回帰にこのフレームワークを拡張する。
• ランク制約付き最適化により、個々の軌道を保持しながら集団レベルの傾向を捉える。

実験結果

リサーチクエスチョン

• RQ1 SVDによる行列補完は、疎な縦断的バイオメディカルデータから個々の進行曲線を効果的に推定できるか？
• RQ2 低ランク表現は、てんかん性麻痺を有する乳幼児における運動障害の進行傾向を的確に捉えられるか？
• RQ3 このフレームワークを用いることで、てんかん性麻痺の異なる亜型が異なる進行パターンを示すか？
• RQ4 従来の統計的モデルと比較して、この手法は縦断的進行の変動をどの程度説明できるか？

主な発見

• 行列補完アプローチにより、疎な臨床的測定値から個々の進行曲線を効果的に近似できた。
• モデルは、てんかん性麻痺を有する乳幼児における運動障害の進行において、30%の変動を説明した。
• 低ランク表現により、てんかん性麻痺の異なる亜型が異なる進行傾向を示すことが明らかになった。
• この手法は、混合効果モデルやガウス過程の堅牢で確率的でない代替手段を提供した。
• 最小限の修正で、多次元縦断的データおよび回帰設定にこのフレームワークを拡張可能であった。
• 反復的SVDに基づく行列補完は、個々の軌道の安定的かつ解釈可能な推定を生み出した。