[論文レビュー] Not to Cry Wolf: Distantly Supervised Multitask Learning in Critical Care

Patrick Schwab, E. Keller+4 more|arXiv (Cornell University)|Feb 14, 2018

Healthcare Technology and Patient Monitoring参考文献 52被引用数 14

ひとこと要約

本稿では、多変量ICU時系列から遠隔監視された補助タスクを用いて、最小限の専門家ラベル付きデータで誤作動アラームを低減する、DSMT-Netsと呼ばれる新規のマルチタスクニューラルネットワークを提案する。タスクの多様性を活用し、悪影響を及ぼす勾配干渉を軽減することで、わずか25〜100件のラベル付きサンプルのみで最先端の性能を達成し、重症ケアにおける誤作動アラーム検出の性能を顕著に向上させる。

ABSTRACT

Patients in the intensive care unit (ICU) require constant and close supervision. To assist clinical staff in this task, hospitals use monitoring systems that trigger audiovisual alarms if their algorithms indicate that a patient's condition may be worsening. However, current monitoring systems are extremely sensitive to movement artefacts and technical errors. As a result, they typically trigger hundreds to thousands of false alarms per patient per day - drowning the important alarms in noise and adding to the exhaustion of clinical staff. In this setting, data is abundantly available, but obtaining trustworthy annotations by experts is laborious and expensive. We frame the problem of false alarm reduction from multivariate time series as a machine-learning task and address it with a novel multitask network architecture that utilises distant supervision through multiple related auxiliary tasks in order to reduce the number of expensive labels required for training. We show that our approach leads to significant improvements over several state-of-the-art baselines on real-world ICU data and provide new insights on the importance of task selection and architectural choices in distantly supervised multitask learning.

研究の動機と目的

• モニタリングシステムからの誤作動アラームが臨床医を圧倒し、患者の安全を脅かすという、ICUにおけるアラーム過敏症という深刻な問題に対処すること。
• 多変量生理時系列における誤作動アラーム検出のための専門家がアノテートしたラベルの高コストと希少性を克服すること。
• 豊富なラベルなしICUデータを、遠隔監視された補助タスクを通じて効果的に活用する半教師あり学習フレームワークの開発。
• 高コストな専門家ラベルに依存を最小限に抑えつつ、真のアラームを抑制しない高特異度を維持するためのラベル効率の向上。
• 遠隔監視されたマルチタスク学習におけるタスク選択およびアーキテクチャ設計が、臨床時系列に与える影響の調査。

提案手法

• 主なアラーム分類タスクと、生理信号から導出された複数の補助タスクを同時に学習するマルチタスクニューラルネットワークアーキテクチャ、DSMT-Netsを提案する。
• 多変量時系列からの特徴抽出と選択を自動化することで、RRインターバル、心拍変動、運動アーチファクトなどの信号由来特徴を用いて補助タスクを生成する。
• 逆誤差伝搬中に主タスクと補助タスクの間で生じる悪影響を及ぼす勾配干渉を是正するため、勾配正規化技術を実装する。
• カリキュラム学習戦略を採用し、特徴の重要度ではなくタスクの多様性に基づいて補助タスクを選択することで、一般化性能の向上と冗長性の低減を図る。
• 既知のアーチファクトや技術的誤差を有する信号が、誤作動アラーム検出の弱いラベル代理として機能すると仮定することで、遠隔監視を適用する。
• 主タスクの専門家ラベルがわずかにしかない状況で、実世界のICUデータ上でモデルをエンドツーエンドに訓練する。

実験結果

リサーチクエスチョン

• RQ1 遠隔監視されたマルチタスク学習は、ICUモニタリングにおける誤作動アラーム検出に必要な専門家ラベル付きデータの数を顕著に削減できるか？
• RQ2 補助タスク間のタスク多様性が、時系列における遠隔監視されたマルチタスク学習のモデル性能に与える影響は何か？
• RQ3 タスク間の悪影響を及ぼす勾配干渉がモデル性能をどの程度低下させるか、そしてそれが効果的に緩和可能か？
• RQ4 提案されたDSMT-Netアーキテクチャは、分類精度とラベル効率の観点から、最先端の半教師あり学習手法と比較してどのように差をつけるか？
• RQ5 補助タスク選択戦略（例：ランダム選択対特徴重要度に基づく選択）が、モデルの一般化性能と頑健性に与える影響は何か？

主な発見

• DSMT-Netsは、25件のラベル付きサンプルでのみでも、複数の最先端ベースラインを上回る誤作動アラーム検出性能を達成し、顕著な改善を示した。
• わずか50件のラベル付きサンプルで優れた性能を達成し、低データ環境下での高いラベル効率を示した。
• ランダムな補助タスク選択が特徴重要度に基づく選択を上回ったことから、タスクの多様性が個々の特徴の関連性よりも重要であることが示された。
• 100個の補助タスクを含めた場合が6個のときよりも優れた性能を示したため、より多くの多様なタスクの組み合わせが一般化性能の向上と選択バイアスへの感受性低減に寄与することがわかった。
• タスク間の悪影響を及ぼす勾配干渉は顕著な課題であったが、提案された勾配正規化技術によりその負の影響が効果的に緩和された。
• 高い特異度により真のアラームを抑制しないことから、臨床現場への実用的導入の可能性が高く、誤作動アラームの低減と臨床的安心性の両立が可能である。