[論文レビュー] Mixed Effect Composite RNN-GP: A Personalized and Reliable Prediction Model for Healthcare.

Ingyo Chung, Saehoon Kim+3 more|arXiv (Cornell University)|Jun 5, 2018

Machine Learning in Healthcare被引用数 3

ひとこと要約

本論文では、多様な患者を対象とした包括的で深いニューラルネットワークを用いてグローバルなトレンドを学習し、限られたEHR時系列データからの個別患者のばらつきをモデル化するためにガウス過程を組み合わせた、混合効果複合RNN-GPモデルを提案する。このフレームワークにより、標準的なRNNよりも優れた性能を示す、パーソナライズされ信頼性の高い医療予測が可能になる。

ABSTRACT

We present a personalized and reliable prediction model for healthcare, which can provide individually tailored medical services such as diagnosis, disease treatment, and prevention. Our proposed framework targets at making personalized and reliable predictions from time-series data, such as Electronic Health Records (EHR), by modeling two complementary components: i) a shared component that captures global trend across diverse patients and ii) a patient-specific component that models idiosyncratic variability for each patient. To this end, we propose a composite model of a deep neural network to learn complex global trends from the large number of patients, and Gaussian Processes (GP) to probabilistically model individual time-series given relatively small number of visits per patient. We evaluate our model on diverse and heterogeneous tasks from EHR datasets and show practical advantages over standard time-series deep models such as pure Recurrent Neural Network (RNN).

研究の動機と目的

• 時系列電子的健康記録（EHR）を用いた、パーソナライズされ信頼性の高い医療予測モデルの開発を目的とする。
• 多数の患者にわたる集約されたEHRデータから、共有された深層ニューラルネットワーク部を用いてグローバルなトレンドを捉えることを目的とする。
• 1人の患者あたりの限られた診察回数のため、ガウス過程を用いて患者固有の時系列的推移と不確実性をモデル化することを目的とする。
• 診断や疾患予防などの臨床的タスクにおける予測の信頼性とパーソナライズ性の向上を目的とする。

提案手法

• モデルは、多数の患者にわたる集約されたEHRデータから複雑なグローバルパターンを学習するための深層ニューラルネットワークを用いる。
• 不確実性の定量化を伴う患者固有の時系列的推移をモデル化するために、ガウス過程を統合する。
• 混合効果モデリング構造を通じて、共有（グローバル）成分と個別（患者固有）成分を組み合わせる。
• 複合アーキテクチャにより、共有成分と個別成分の両方を同時に最適化するエンドツーエンドの学習が可能になる。
• 患者1人あたりのデータの疎らさや時系列パターンの違いに適応することで、異種のEHRタスクを処理する。
• 不確実性推定を伴う確率的予測を提供することで、臨床的信頼性が向上する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、EHRデータにおけるグローバルトレンドと個別患者のばらつきを効果的にバランスさせることができるか？
• RQ2 ハイブリッドRNN-GPモデルは、パーソナライズされた医療予測タスクにおいて、標準的なRNNを上回ることができるか？
• RQ3 ガウス過程の統合は、1人あたりのデータが少ない状況での信頼性と不確実性の定量化をどのように向上させるか？
• RQ4 このモデルは、多様で異種のEHRタスクにどの程度一般化可能か？
• RQ5 共有成分と個別成分を分離することで、予測性能とパーソナライズ性にどのような影響を与えるか？

主な発見

• 提案されたRNN-GPモデルは、多様なEHR予測タスクにおいて、標準的なRNNよりも優れた性能を達成する。
• ガウス過程の統合により、個別患者の予測に対する信頼性の高い不確実性推定が可能になる。
• モデルは、患者集団全体のグローバルトレンドと、患者固有の特徴的なパターンの両方を効果的に捉える。
• 診察回数が少ない低データ環境において、従来の深層学習の性能が制限される状況で実用的な利点を示す。
• 複合アーキテクチャにより、診断、治療、予防などのパーソナライズされた医療サービスが、信頼性を高めて可能になる。
• モデルは異種のEHRデータセットに対して強固であることが示され、優れた一般化能力を示している。