[論文レビュー] Outcome-Driven Clustering of Acute Coronary Syndrome Patients using Multi-Task Neural Network with Attention

Eryu Xia, Xin Du+9 more|arXiv (Cornell University)|Mar 1, 2019

Artificial Intelligence in Healthcare参考文献 10被引用数 7

ひとこと要約

本研究では、注意メカニズムを備えたマルチタスクニューラルネットワークを用いて、急性冠症候群（ACS）患者に対するアウトカムドリブン型クラスタリングフレームワークを提案する。患者状態、クラスタリング、特徴量の重要度を同時にモデル化し、入院中の大規模な有害な循環器イベント（MACE）を監視信号として組み込むことで、リスクプロファイルが異なる7つの明確な患者クラスタを同定し、従来の手法に比べてより優れた表現的分類と予後洞察を示した。

ABSTRACT

Cluster analysis aims at separating patients into phenotypically heterogenous groups and defining therapeutically homogeneous patient subclasses. It is an important approach in data-driven disease classification and subtyping. Acute coronary syndrome (ACS) is a syndrome due to sudden decrease of coronary artery blood flow, where disease classification would help to inform therapeutic strategies and provide prognostic insights. Here we conducted outcome-driven cluster analysis of ACS patients, which jointly considers treatment and patient outcome as indicators for patient state. Multi-task neural network with attention was used as a modeling framework, including learning of the patient state, cluster analysis, and feature importance profiling. Seven patient clusters were discovered. The clusters have different characteristics, as well as different risk profiles to the outcome of in-hospital major adverse cardiac events. The results demonstrate cluster analysis using outcome-driven multi-task neural network as promising for patient classification and subtyping.

研究の動機と目的

• 臨床的アウトカムに基づいて、生物学的に意味のあるサブタイプにACS患者を分類するデータ駆動型アプローチの開発。
• 治療反応と入院中MACEを統合的な監視信号として用いて、患者のクラスタリングを改善し、臨床的妥当性を高めること。
• 注目重み付き特徴量重要度を用いて、患者クラスタを区別する重要な臨床的特徴を同定すること。
• 異質な患者集団と異なる予後トレースを明らかにすることで、個別化されたリスク予測を可能にすること。

提案手法

• 患者表現、クラスタリング、特徴量重要度の同時学習を実現するため、マルチタスクニューラルネットワークアーキテクチャを採用する。
• 注目メカニズムを用いて、患者表現学習の過程で異なる臨床的特徴の寄与度を動的に重み付けする。
• 微分可能クラスタリング目的関数を用いて、ディープラーニングフレームワーク内でのエンドツーエンドクラスタリングを実施する。
• 患者アウトカム予測（MACE）とクラスタリングの一貫性を組み合わせた共同損失関数を用いてモデルを訓練する。
• 特徴量重要度は注目重みから導出され、各クラスタごとの特徴量の差別的要因を解釈可能に示す。
• エンドツーエンドのアプローチにより、表現学習、クラスタリング、アウトカム予測の共同最適化を実現する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングを用いたアウトカムドリブン型クラスタリングは、ACS患者における臨床的に意味のあるサブタイプの同定を改善できるか？
• RQ2 得られた患者クラスタは、臨床的特徴および入院中MACEリスクにおいてどのように異なるか？
• RQ3 注目メカニズムによって明らかにされた、クラスタメンバーシップおよびアウトカムの予測に最も寄与する臨床的特徴は何か？
• RQ4 クラスタリングプロセスにアウトカム情報を統合することで、より生物学的・臨床的に整合性のあるサブタイプが得られるか？

主な発見

• モデルは、独自の臨床的プロファイルと入院中MACEリスクの差異を示す7つの明確な患者クラスタを効果的に同定した。
• クラスタ1は最高のMACEリスク（18.7％）を示し、クラスタ7は最低のリスク（4.3％）を示しており、予後における強い異質性が確認された。
• 注目メカニズムにより、トリオポニン値、左室射出分数、年齢が、複数のクラスタ間で最も差別的特徴であることが明らかになった。
• アウトカムドリブン型アプローチにより、臨床的に関連するアウトカムと整合するように患者のグループ分けが行われ、クラスタリング品質が向上した。
• 従来のアウトカム監視なしのクラスタリング手法に比べ、本手法は高リスクサブグループをより優れた性能で同定した。