[論文レビュー] Predictive Clinical Decision Support System with RNN Encoding and Tensor Decoding

Yinchong Yang, Peter A. Fasching+4 more|arXiv (Cornell University)|Dec 2, 2016

Topic Modeling参考文献 8被引用数 10

ひとこと要約

本論文は、転移性乳癌における予測的臨床意思決定支援のための新規RNN-テンソルハイブリッドモデルを提案する。RNNは逐次的および静的患者データを符号化し、Tucker-3テンソル因子分解により関連する治療意思決定（意図および種別）をモデル化する。本モデルはベースライン比でNDCG@5に56%の向上を達成し、相関する臨床的ターゲットの連合予測において優れた性能を示した。

ABSTRACT

With the introduction of the Electric Health Records, large amounts of digital data become available for analysis and decision support. When physicians are prescribing treatments to a patient, they need to consider a large range of data variety and volume, making decisions increasingly complex. Machine learning based Clinical Decision Support systems can be a solution to the data challenges. In this work we focus on a class of decision support in which the physicians' decision is directly predicted. Concretely, the model would assign higher probabilities to decisions that it presumes the physician are more likely to make. Thus the CDS system can provide physicians with rational recommendations. We also address the problem of correlation in target features: Often a physician is required to make multiple (sub-)decisions in a block, and that these decisions are mutually dependent. We propose a solution to the target correlation problem using a tensor factorization model. In order to handle the patients' historical information as sequential data, we apply the so-called Encoder-Decoder-Framework which is based on Recurrent Neural Networks (RNN) as encoders and a tensor factorization model as a decoder, a combination which is novel in machine learning. With experiments with real-world datasets we show that the proposed model does achieve better prediction performances.

研究の動機と目的

• 転移性乳癌患者の医師の治療意思決定を予測する臨床意思決定支援システムの開発を目的とする。
• 治療の意図や種別といった、臨床意思決定モデリングにおける相関するターゲット特徴の課題に対処することを目的とする。
• 複数の依存する治療意思決定の連合確率分布をモデリングすることで、予測精度の向上を図ることを目的とする。
• 逐次的臨床歴と静的患者特徴を統合的に統合された潜在表現として統合し、意思決定予測に活用することを目的とする。
• 複数の評価指標（順位ベースの指標を含む）を用いて、実世界のEHRデータ上でのモデル性能を評価することを目的とする。

提案手法

• LSTMユニットを用いたRNNエンコーダーが、逐次的臨床イベントおよび治療履歴を処理し、潜在ベクトルに符号化する。
• 静的患者特徴（114次元）は、対数線形マッピングにより15次元の潜在空間に埋め込まれる。
• エンコーダーからの潜在表現を、治療意思決定の連合確率を予測するランク5のTucker-3テンソル因子分解モデルの入力として使用する。
• テンソルモデルは、治療の意図（根治的、緩和的、不明）と種別（経皮的、内部被爆療法、不明）の間の相関を捉え、3次元のバイナリーベクトルとしてモデル化する。
• すべてのターゲット特徴の組み合わせに対してバイナリークロスエントロピー損失を用い、ドロップアウトおよびリッジ正則化を併用して、エンドツーエンドでモデルを訓練する。
• モデルの訓練にはRMSpropを用い、20%の検証データ分割を用いた早期停止法を適用し、交差検証のため5回のランダムデータ分割で結果を平均化する。

実験結果

リサーチクエスチョン

• RQ1 マージナル分布モデルと比較して、ハイブリッドRNN-テンソルモデルは、相関する臨床的治療意思決定の予測を向上させることができるか？
• RQ2 複数の依存する治療ターゲットの連合分布をモデリングすることは、臨床意思決定支援における予測性能にどのように影響するか？
• RQ3 逐次的および静的患者データを統合することで、意思決定予測の正確性はどの程度向上するか？
• RQ4 提案されたアーキテクチャは、AUROCおよび順位ベースの指標（NDCG@5など）の両方において、ベースラインモデルを上回る性能を示すか？
• RQ5 本モデルは、医師の意思決定パターンと整合する合理的で高品質な推奨を生成できるか？

主な発見

• テンソルモデルはAUROC 0.874 ± 0.012を達成し、標準モデル（0.842 ± 0.009）および最も一般的なベースライン（0.587 ± 0.165）を顕著に上回った。
• カバレッジエラーは27.902 ± 1.084にまで低下し、最も一般的なベースラインの118.569 ± 11.053と比較して、関連ターゲットの順位付けが優れていた。
• 順位精度は0.296 ± 0.009に向上し、標準モデルの0.226 ± 0.008と比較して30%の増加を示した。
• NDCG@5は0.269 ± 0.014に達し、標準モデルの0.172 ± 0.002と比較して56%の向上を示し、優れた推薦品質を裏付けた。
• 統計的検定により、治療の意図と種別間に強い相関が確認された（χ² = 197.17, p < 2.2e-16）、連合モデリングの必要性を裏付けた。
• エンドツーエンドの訓練と早期停止、交差検証により、データ分割にわたる堅牢性と一般化性能が確保された。