[論文レビュー] Meta-Weighted Gaussian Process Experts for Personalized Forecasting of AD Cognitive Changes

Ognjen Rudovic, Yuria Utsumi+4 more|arXiv (Cornell University)|Apr 19, 2019

Gaussian Processes and Bayesian Inference参考文献 22被引用数 7

ひとこと要約

本論文は、メタラーニングを用いて各被験者および各訪問ごとに専門家を動的に重み付けることで、アルツハイマー病におけるADAS-Cog13スコアの6–24か月予測を著しく改善する、メタ重み付きガウス過程エキスパート（pGPE）フレームワークを提案する。この手法は、ADNIデータ上での最先端の性能を達成し、回帰ベースのメタガウス過程を用いて最適な被験者固有の専門家重みを学習することで、個々の専門家や従来のモデルを上回る結果を得た。

ABSTRACT

We introduce a novel personalized Gaussian Process Experts (pGPE) model for predicting per-subject ADAS-Cog13 cognitive scores -- a significant predictor of Alzheimer's Disease (AD) in the cognitive domain -- over the future 6, 12, 18, and 24 months. We start by training a population-level model using multi-modal data from previously seen subjects using a base Gaussian Process (GP) regression. Then, we personalize this model by adapting the base GP sequentially over time to a new (target) subject using domain adaptive GPs, and also by training subject-specific GP. While we show that these models achieve improved performance when selectively applied to the forecasting task (one performs better than the other on different subjects/visits), the average performance per model is suboptimal. To this end, we used the notion of meta learning in the proposed pGPE to design a regression-based weighting of these expert models, where the expert weights are optimized for each subject and his/her future visit. The results on a cohort of subjects from the ADNI dataset show that this newly introduced personalized weighting of the expert models leads to large improvements in accurately forecasting future ADAS-Cog13 scores and their fine-grained changes associated with the AD progression. This approach has potential to help identify at-risk patients early and improve the construction of clinical trials for AD.

研究の動機と目的

• アルツハイマー病における認知機能低下のバイオマーカーであるADAS-Cog13スコアの今後の個別化された予測を改善すること。
• ADNIのような臨床的ADデータセットにおける高いデータ異質性、スパarsity、および個体差の高い変動に起因する課題に対処すること。
• 個別化された専門家重みを動的に組み合わせることで、被験者および訪問ごとに予測精度を向上させるメタラーニングフレームワークを構築すること。
• 正確で確率論的な認知機能進行予測により、リスクの高い被験者の早期同定と、より効果的な臨床試験設計の支援を可能にすること。

提案手法

• まず、これまでに観測された被験者の多モodalなADNIデータを用いて、集団レベルのガウス過程（GP）モデルを訓練する。
• 各新しい（ターゲット）被験者に対して、2つの専門家モデルを生成する：時間経過に伴いベースモデルを適応させる個人特化型GP（pGP）、およびターゲット被験者のデータにのみ特化して訓練された被験者固有GP（tGP）。
• メタGP回帰モデルが、pGPとtGP専門家の被験者および訪問固有の重み（メタ重み）を学習し、将来のADAS-Cog13予測を最適化する。
• メタ重みは、ターゲット被験者の現在のデータと履歴に基づいて、最適なブレンド係数を予測するGP回帰モデルを用いて訓練される。
• 最終的な予測は、pGPとtGP出力の重み付き組み合わせであり、被験者および将来の時系列ポイントごとに重みが動的に選択される。
• フレームワークはADNI被験者のサブコhortに対して評価され、LassoR、SVR、LSTMなどのベースラインモデルと性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 メタラーニングアプローチは、個々の専門家モデルを上回る、ADAS-Cog13スコアの個別化された予測を改善できるか？
• RQ2 臨床的ADデータの異質性とスパarsityに対処するため、動的で被験者固有の専門家重み付けはどの程度効果的か？
• RQ3 提案されたメタ重み付きGPフレームワークは、LassoR、SVR、LSTMといった従来のモデルを上回り、6–24か月の認知機能低下を予測する上で優れた性能を示すか？
• RQ4 メタ重み付け機構は、疾患進行パターンの個体差を効果的に捉えられるか？

主な発見

• 提案されたメタ重み付きGPエキスパート（pGPE）フレームワークは、6か月、12か月、18か月、24か月の全時間枠において、個々の専門家モデル（pGPとtGP）を著しく上回るADAS-Cog13スコアの予測性能を示した。
• メタ重み付きモデルは、最良の個別専門家よりも低い平均絶対誤差（MAE）を達成し、静的専門家選択に比べて適応的統合の利点を示した。
• ランダムに抽出されたメタ重みは、学習済みメタ重みよりも著しく悪い性能を示し、メタラーニングプロセスの有効性を裏付けた。
• モデルは、被験者群（CN、CN→MCI、MCI、AD）の集団レベルの傾向を的確に捉え、進行傾向にある被験者のADAS-Cog13スコアの上昇を正確に予測した。
• LSTMベースのモデルは、ADNIデータの不規則なサンプリングと高いスパarsityに対応できず、性能が劣った。これは、GPsがこのような臨床時系列データを処理する上で優位性を発揮することを示している。
• 最適な性能バウンディング（W opt）にメタ重み付きモデルが近づいたことから、専門家予測の近似的最適な統合が達成されていることが示された。