[論文レビュー] Multi Layered-Parallel Graph Convolutional Network (ML-PGCN) for Disease Prediction

Anees Kazi, Shadi Albarqouni+2 more|arXiv (Cornell University)|Apr 28, 2018

Machine Learning in Healthcare参考文献 2被引用数 5

ひとこと要約

本稿では、年齢、性別、体重などの構造的電子歴史記録（EHR）データをグラフ畳み込みネットワークを用いて疾患予測に統合する、マルチレイヤー並列グラフ畳み込みネットワーク（ML-PGCN）を提案する。各構造的特徴量に対して並列なGCNブランチを採用し、学習可能な重み付け層を導入することで、モデルは関連性の高いメタデータを自動的に優先する。提案手法は、SOTA手法と比較してABIDEでは5.31%高い精度と4.96%高いAUCを達成し、CXRでは8.15%高い精度と10.36%高いAUCを達成した。

ABSTRACT

Structural data from Electronic Health Records as complementary information to imaging data for disease prediction. We incorporate novel weighting layer into the Graph Convolutional Networks, which weights every element of structural data by exploring its relation to the underlying disease. We demonstrate the superiority of our developed technique in terms of computational speed and obtained encouraging results where our method outperforms the state-of-the-art methods when applied to two publicly available datasets ABIDE and Chest X-ray in terms of relative performance for the accuracy of prediction by 5.31 % and 8.15 % and for the area under the ROC curve by 4.96 % and 10.36 % respectively. Additionally, the model is lightweight, fast and easily trainable.

研究の動機と目的

• 既存のCADシステムが、疾患予測における関連性に基づいてEHR特徴量（例：年齢、性別）を動的に重み付けできないという限界を是正すること。
• 各構造的EHR特徴量を別個のグラフとして扱う深層学習フレームワークを構築し、並列的かつ選択的な特徴量学習を可能にすること。
• 各構造的特徴量のグラフ表現の予測的寄与度に基づき、重要度スコアを自動的に割り当てる学習可能なランク付け層を導入すること。
• 画像データ（画像）とEHRデータのマルチモーダル統合を、意味的関係を捉えるグラフベースのアテンションのようなメカニズムで行い、疾患予測性能を向上させること。

提案手法

• モデルはM個の並列なGCNブランチを用い、各ブランチが別個のEHR特徴量（例：年齢、性別）を別個のグラフとして処理する。各ブランチのアフィニティ行列は、特徴量の分布に基づいて生成される。
• 各ブランチは正規化されたグラフラプラシアンを用いたスペクトルグラフ畳み込みを適用する：$ H_{l+1}^{(m)} = \sigma\left( D^{(m)^{-1/2}} W^{(m)} D^{(m)^{-1/2}} H_l^{(m)} \Theta_l^{(m)} \right) $、ここで$ W^{(m)} $は特徴量$ m $のアフィニティ行列である。
• 学習可能なランク付け層が、すべてのブランチの出力を、トレーニング中に最適化される可学習重み$ \omega^{(m)} $を用いて集約する。
• 最終的な予測は、すべてのブランチからの重み付き表現を統合するファージョン層によって生成され、バックプロパゲーションを用いたエンドツーエンド学習が可能になる。
• アフィニティ行列は、被験者間の特徴量類似度に基づくガウスカーネルを用いて構築され、グラフエッジがEHR空間内の意味的近接性を反映する。
• モデルはクロスエントロピー損失と早期停止、Adam最適化を用いて学習され、学習順序をGCN層をランキング層より先に処理することで学習の安定性を確保する。

実験結果

リサーチクエスチョン

• RQ1 各EHR特徴量を独立したグラフとして扱うマルチブランチGCNアーキテクチャは、単一グラフまたは統合特徴量ベースラインと比較して、疾患予測性能を向上させることができるか？
• RQ2 EHR特徴量に学習可能な重み付け機構を導入することで、固定または等重み統合と比較して性能が向上するか？
• RQ3 異なるEHR特徴量による近隣定義の選択が、潜在空間における疾患クラスのクラスタリングに与える影響は何か？
• RQ4 モデルは、元々の統計的重みが異なるにもかかわらず、性別などの特定のEHR特徴量がより予測的であることを自動で学習できるか？
• RQ5 本手法は、2つ以上のEHR特徴量に拡張する場合でもスケーラブルで効率的か？

主な発見

• ABIDEデータセットでは、自動ランク付けを備えたML-PGCNが69.88%の精度と69.88%のAUCを達成し、SOTAベースライン（66.36%の精度、66.36%のAUC）を精度で3.52ポイント、AUCで3.52ポイント上回った。
• CXRデータセットでは、ランク付けを用いたモデルが87.16%の精度と87.16%のAUCを達成し、ベースライン（80.57%の精度、80.57%のAUC）を精度で6.59ポイント、AUCで6.59ポイント上回った。
• モデルの学習時間はベースライン比でたった13.8%長く、高い計算効率とスケーラビリティを示した。
• 各EHR特徴量（例：性別、施設、年齢）の学習済み重みがトレーニング中に不均一な値に収束したため、モデルがより関連性の高い特徴量を自動で優先できることを確認した。
• 1つの入力ブランチとしてランダムグラフを使用した場合、性能は低下したが、ランク付け層が有効な場合、依然としてベースラインを上回った。これは、自動重み付け機構のロバスト性を裏付けた。
• アブレーションスタディの結果、ランク付け層が性能向上に顕著な寄与を示した。ランク付け層を備えないモデルはSOTAに達しなかったが、完全なモデル（ランク付けあり）は両データセットで最高の結果を達成した。