[論文レビュー] Modeling Disease Progression in Mild Cognitive Impairment and Alzheimer's Disease with Digital Twins

Daniele Bertolini, Anton Loukianov+5 more|arXiv (Cornell University)|Dec 24, 2020

Functional Brain Connectivity Studies参考文献 26被引用数 10

ひとこと要約

本稿では、アルツハイマー病（AD）および軽度認知障害（MCI）における疾患進行を、多様な臨床エンドポイントでモデル化するためのデジタルツインフレームワークを提案する。7,000名の被験者を含む21件の研究から得られた、疎で多様性のあるデータを用いて訓練された条件付き制限ボルツマンマシン（CRBM）を用い、実際の臨床経過（例：ADAS-Cog11、MMSE、CDR-SB）と高い相関を示す、リアルな合成患者経路を生成する。12か月および18か月のフォローアップにおいて、実世界の結果と高い一致を示した。

ABSTRACT

Alzheimer's Disease (AD) is a neurodegenerative disease that affects subjects in a broad range of severity and is assessed in clinical trials with multiple cognitive and functional instruments. As clinical trials in AD increasingly focus on earlier stages of the disease, especially Mild Cognitive Impairment (MCI), the ability to model subject outcomes across the disease spectrum is extremely important. We use unsupervised machine learning models called Conditional Restricted Boltzmann Machines (CRBMs) to create Digital Twins of AD subjects. Digital Twins are simulated clinical records that share baseline data with actual subjects and comprehensively model their outcomes under standard-of-care. The CRBMs are trained on a large set of records from subjects in observational studies and the placebo arms of clinical trials across the AD spectrum. These data exhibit a challenging, but common, patchwork of measured and missing observations across subjects in the dataset, and we present a novel model architecture designed to learn effectively from it. We evaluate performance against a held-out test dataset and show how Digital Twins simultaneously capture the progression of a number of key endpoints in clinical trials across a broad spectrum of disease severity, including MCI and mild-to-moderate AD.

研究の動機と目的

• 臨床試験の焦点が急速に移行している早期段階のMCIを含む、AD全般にわたる疾患進行のモデル化の課題に対処する。
• 測定スケジュールが異なる複数の観察研究およびプラセボ対照試験から得られる、疎で多様性のあるデータの限界を克服する。
• 個別被験者に特化したデジタルツイン（ベースラインデータと一致するが、標準的ケア下での将来の結果をシミュレートする合成臨床記録）を生成する条件付き生成モデルを開発する。
• 従来のCRBMモデルを改善し、追加の認知尺度（例：CDR）およびバイオマーカーを統合することで、主要な臨床エンドポイントにおける予測の正確性を向上させる。
• デジタルツインを用いて、信頼性の高い外部コントロール群や個別化された予後予測を生成することで、AD臨床試験の設計をより効率的に行うことを可能にする。

提案手法

• 21件の研究から得られた縦断的臨床データを用いて、条件付き制限ボルツマンマシン（CRBM）を訓練し、MCIおよびADの被験者7,000名、約35,000件の被験者訪問をカバーした。
• 正則化を調整するためのハイパーパrameter λ を用いた、最大尤度（PL）と敵対的対照損失（adversary）を組み合わせた、新規のBEAM訓練目的関数を採用する。
• 不完全で断片的なデータ（時間的ポイントでの欠損観察を伴う）からの有効な学習を可能にするために、恒常的対照的分散を最適化に用いる。
• 各被験者のベースライン臨床プロファイルに条件付けたCRBMからのサンプリングによりデジタルツインを生成し、被験者1人あたり100件の合成経路を生成する。
• 時間的整合性を保つために、パネルデータを時間的スライディングウインドウ（shingles）アプローチで系列としてモデル化する。
• 被験者レベルの進行予測を評価するために、線形回帰を用い、12か月および18か月のADAS-Cog11、MMSE、CDR-SBにおいて、モデルが生成した結果と実際のテストデータを比較する。

実験結果

リサーチクエスチョン

• RQ1 CRBMに基づくデジタルツインモデルは、MCIおよびADにおいて、多様な認知およびバイオマーカーのエンドポイントにわたる縦断的疾患進行を正確にシミュレートできるか？
• RQ2 複数の研究から得られる、多様で不完全なデータで訓練された場合、モデルは個別被験者の結果をどれほど正確に予測できるか？
• RQ3 提案されたBEAM訓練目的関数は、標準的な最大尤度訓練と比較して、サンプル品質および予測正確性を向上させるか？
• RQ4 従来のモデルと比較して、主な臨床変数（例：MMSE）の周辺分布の適合度はどの程度向上しているか？
• RQ5 デジタルツインは、AD臨床試験の設計において、信頼性のある合成コントロール群や個別化された予後予測として機能できるか？

主な発見

• 18か月後のADAS-Cog11進行について、予測値と実測値のピアソン相関係数が0.49に達し、実世界のデータと強い一致を示した。
• MMSEに関しては、18か月後の相関係数が0.45であり、Fisherら[7]の先行モデルと比較して、周辺分布の平均および分散のずれが顕著に少なかった。
• CRBMに基づくデジタルツインは、CDR-SB進行の予測において高い一貫性を示し、18か月後の相関係数が0.47、予測値対観測値スコアの線形回帰の勾配が0.76であった。
• BEAM目的関数はモード崩壊を低減させ、サンプル品質を向上させたことが、より良い周辺分布適合度およびt検定およびレヴェーヌ検定における統計的ずれの低減によって裏付けられた。
• モデルは、断片的かつ非一様なデータで訓練されたにもかかわらず、認知テストおよびバイオマーカーを含む複数のエンドポイントの進行を同時に捉えられた。
• デジタルツインは、ベースライン特徴を保持しつつ、標準的ケア下での将来の臨床経路を正確にシミュレートする、被験者固有の合成記録を生成できた。