[論文レビュー] Personalized Gaussian Processes for Future Prediction of Alzheimer's Disease Progression

Kelly Peterson, Ognjen Rudovic+2 more|arXiv (Cornell University)|Dec 1, 2017

Health, Environment, Cognitive Aging参考文献 24被引用数 14

ひとこと要約

本稿では、逐次的ドメイン適応を用いて集団レベルのGP回帰モデルを個別化する、個人化されたガウス過程（pGP）モデルを提案する。この手法により、希な多様な臨床的データからアルツハイマー病の進行度評価指標（MMSE、ADAS-Cog13、CDRSB、CS）の正確で確率的な予測が可能になる。標準的な集団レベルのGPモデルに比べ、患者固有の訪問履歴と自己回帰的モデリングを活用することで、将来の予測精度が著しく向上する。

ABSTRACT

In this paper, we introduce the use of a personalized Gaussian Process model (pGP) to predict the key metrics of Alzheimer's Disease progression (MMSE, ADAS-Cog13, CDRSB and CS) based on each patient's previous visits. We start by learning a population-level model using multi-modal data from previously seen patients using the base Gaussian Process (GP) regression. Then, this model is adapted sequentially over time to a new patient using domain adaptive GPs to form the patient's pGP. We show that this new approach, together with an auto-regressive formulation, leads to significant improvements in forecasting future clinical status and cognitive scores for target patients when compared to modeling the population with traditional GPs.

研究の動機と目的

• 希で多様性のある臨床的データによる個別化されたアルツハイマー病の進行予測の課題に対処すること。
• 時間経過に伴い集団レベルの傾向を個別患者に適応させる個人化されたモデリング手法を開発すること。
• 集団モデリングと逐次的患者固有の適応を組み合わせることで、主なAD指標（MMSE、ADAS-Cog13、CDRSB、CS）の予測精度を向上させること。
• 縦断的AD研究における病状発症時期の不確実性と欠損データによるバイアスを低減すること。
• 臨床試験の設計や介入計画のため、より早期かつ正確に認知機能低下を予測可能にするための支援を提供すること。

提案手法

• まず、1,737名のADNI患者から得られた多様なデータ（画像、認知スコア、脳脊髄液、人口統計学的特徴）を用いて、集団レベルのガウス過程（GP）モデルを訓練する。
• その後、新しい患者に対して逐次的ドメイン適応を用いて個別化し、各新しい臨床的訪問が利用可能になるたびにGP事後分布を更新する。
• pGPモデルは自己回帰的定式化を用い、進化する患者固有の事後分布に基づいて将来の指標を予測する。
• 患者選定は訪問頻度（≥10回）と低欠損率（≤82.5%の欠損特徴）に基づき、データ品質が十分な100名のコhortが得られた。
• 欠損データは、各訪問における利用可能な特徴に焦点を当て、GP回帰を用いて予測の不確実性をモデル化することで処理する。
• モデルの個別化は、以前の訪問からの事後分布を用いてGPハイパーパrameterおよび予測平均・分散を更新することで実現され、動的適応が可能になる。

実験結果

リサーチクエスチョン

• RQ1 標準的な集団レベルのGPモデルに比べ、個人化されたGPモデルはアルツハイマー病の進行度指標の将来予測精度を向上させることができるか？
• RQ2 逐次的ドメイン適応は、時間経過に伴い集団GPモデルを個別患者に適合させるためにどの程度有効であるか？
• RQ3 自己回帰的定式化を組み込むことで、希で多様な臨床的データに対する予測性能はどの程度向上するか？
• RQ4 高い欠損率と変動する訪問頻度を示す患者に適用した場合、pGPモデルはどの程度の性能を示すか？
• RQ5 部分的なデータしか入手できない状況でも、pGPモデルはMMSE、ADAS-Cog13、CDRSB、CSといった主要な臨床指標を信頼性高く予測できるか？

主な発見

• 個人化されたGPモデルは、アルツハイマー病患者の将来の認知スコアおよび臨床的スコアの予測性能を、標準的な集団レベルのGPモデルに比べ顕著に向上させる。
• 新規患者データに動的に適応することで、静的集団モデルよりも個別化された進行経路をより効果的に捉えることができる。
• 自己回帰的定式化により、予測の安定性と不確実性推定が向上し、とくに希なまたは不規則な訪問スケジュール下でも有効である。
• 欠損データに対して高いロバストネスを示し、1名の患者あたり最大82.5%の特徴が欠損している状況でも、信頼性のある予測を維持する。
• 訪問頻度とデータ完全性基準を満たす100名のコhortは、pGPの予測力の妥当性を検証するのに十分なデータ品質を提供した。
• 結果から、pGPは病状進行の早期かつ正確な同定を支援でき、これは臨床試験の参加者選抜や介入計画に不可欠であることが示唆される。