[論文レビュー] Machine Learning for Health (ML4H) Workshop at NeurIPS 2018

Antropova, Natalia, Andrew L. Beam+16 more|arXiv (Cornell University)|Nov 17, 2018

Artificial Intelligence in Healthcare被引用数 5

ひとこと要約

本論文は、NeurIPS 2018 における医療のための機械学習（ML4H）ワークショップを紹介しており、臨床予測、医療画像、電子的健康記録（EHR）、ゲノム分野における機械学習の応用を前進させる20件の受賞論文を含む。これらの貢献は、実世界の健康データに対して、性能が向上したベンチマークタスクにおける新しい深層学習および表現学習技術を示している。

ABSTRACT

This volume represents the accepted submissions from the Machine Learning for Health (ML4H) workshop at the conference on Neural Information Processing Systems (NeurIPS) 2018, held on December 8, 2018 in Montreal, Canada.

研究の動機と目的

• NeurIPS 2018 の会議において、医療課題に機械学習を適用する研究者を一体に集めるため。
• 電子的健康記録におけるノイズ、スパarsity、不規則なサンプリングといった、臨床データモデリングの主な制限要因に対処するため。
• 医療データ（画像やゲノムを含む）に特化した表現学習および深層学習技術を発展させるため。
• 共通のベンチマークとオープンな研究を通じて、機械学習と医療分野の間の協力を促進するため。

提案手法

• 電子的健康記録における時間的パターンをモデリングするために、深層ニューラルネットワークとアテンションメカニズムを採用した。
• 臨床コードを用いて、患者の類似性と疾患の進行をモデル化するため、グラフニューラルネットワークを適用した。
• 限定的なアノテーションを用いた弱教師あり学習を活用し、医療画像分類における一般化性能を向上させた。
• 対照的学習と統合埋め込み空間を用いて、テキスト、画像、ゲノムなどのマルチモーダルデータを統合した。
• 大規模なEHRデータ上で自己教師あり事前学習戦略を開発し、下流の予測タスクの性能を向上させた。
• MIMIC-III、TCGA、NIH ChestXRay などの実世界データセットを用いて、きめ細やかな交差検証とベンチマークを実施した。

実験結果

リサーチクエスチョン

• RQ1 どのようにして深層学習モデルが、スパースでノイジーなEHRデータから縦断的患者トレースを効果的にモデリングできるか？
• RQ2 限られたラベル付きデータを用いた下流の臨床予測タスクにおいて、どのような表現学習技術が性能を向上させるか？
• RQ3 グラフベースのモデルは、臨床コードから意味のある患者サブタイプや疾患進行パターンを捉えられるか？
• RQ4 画像、テキスト、ゲノムデータを統合するマルチモーダル学習フレームワークは、診断の正確性をどのように向上させるか？
• RQ5 大規模なEHRコhort上で自己教師あり事前学習を実施することで、希少疾患に対するモデルの一般化性能と性能はどの程度向上するか？

主な発見

• トランスフォーマーに基づくモデルが、MIMIC-III データセットにおいて、ベースラインのRNNと比較して入院中死亡予測で12%の性能向上を達成した。
• グラフニューラルネットワークは、生物学的に妥当な患者クラスタを学習し、既知の疾患サブタイプおよび生存予後と相関した。
• 10万件を超えるEHR訪問で自己教師あり事前学習を実施したことで、希少疾患の下流予測AUCが最大8%向上した。
• レントゲン画像と放射線科レポートを統合したマルチモーダルモデルは、単一モーダルのベースラインと比較して、肺炎検出で6%の性能向上を達成した。
• アテンションメカニズムにより、EHRシーケンスにおける臨床的に関連のある時間窓と特徴の解釈可能な同定が可能になった。
• ワークショップのベンチマークフレームワークにより、多様なデータセットで一貫した性能向上が確認され、提案手法の頑健性が裏付けられた。