[論文レビュー] Processing of Electronic Health Records using Deep Learning: A review

Venet Osmani, Li Li+4 more|arXiv (Cornell University)|Apr 5, 2018

Machine Learning in Healthcare参考文献 52被引用数 5

ひとこと要約

このレビューでは、電子歴史記録（EHR）の処理におけるディープラーニングの応用を検討し、自然言語処理、表現学習、予測モデリングに焦点を当てる。RNN、オートエンコーダ、アテンションメカニズムなどの技術を統合することで、臨床予測、フェノタイピング、リスク分類の分野で顕著な精度向上と一般化性能の向上が実証されている。多様な医療分野のタスクにおいて顕著な成果が得られている。

ABSTRACT

Availability of large amount of clinical data is opening up new research avenues in a number of fields. An exciting field in this respect is healthcare, where secondary use of healthcare data is beginning to revolutionize healthcare. Except for availability of Big Data, both medical data from healthcare institutions (such as EMR data) and data generated from health and wellbeing devices (such as personal trackers), a significant contribution to this trend is also being made by recent advances on machine learning, specifically deep learning algorithms.

研究の動機と目的

• 電子歴史記録（EHR）の臨床データ処理に応用されたディープラーニング技術を体系的にレビューすること。
• EHRデータに見られるノイズ、スパarsity、異種性といった主な課題を特定し、ディープラーニングがそれらに対処する方法を明らかにすること。
• 従来の手法と比較して、ディープラーニングモデルの臨床予測、フェノタイピング、リスクモデリングにおける性能を評価すること。
• EHR分析におけるディープラーニングの新たなトレンドおよび今後の研究方向性を強調すること。
• 最先端のEHR応用で用いられるアーキテクチャ、データ前処理、評価指標の包括的概要を提供すること。

提案手法

• 縦断的EHRデータの順序モデリングに、再帰的ニューラルネットワーク（RNN）、特に長短期記憶（LSTM）およびゲート付き再帰ユニット（GRU）の応用。
• EHRデータの低次元で意味のある表現を学習するために、オートエンコーダおよび変分オートエンコーダ（VAE）の使用。
• モデルの解釈性を向上させ、臨床的に関連のある時間的パターンに注目するため、アテンションメカニズムおよびトランスフォーマーの活用。
• 埋め込み技術および早期/後期ファージョン戦略を用いて、臨床ノート、検査結果、請求コードなどのマルチモーダルデータを統合。
• 大規模なEHRコーパスを用いた転移学習および事前学習の採用により、リソースが限られた臨床タスクの性能向上。
• EHR由来の知識グラフにおいて、患者、疾患、治療法の間の関係をモデル化するためのグラフニューラルネットワーク（GNN）の活用。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、EHRデータを用いて、敗血症や死亡リスクなどの患者の予後予測タスクをどのように改善するか？
• RQ2 時間的および異種性のあるEHRデータをモデル化するにあたり、最も効果的なディープラーニングアーキテクチャは何か？
• RQ3 生のEHRデータからの表現学習は、フェノタイピングや診断といった下流タスクの性能をどの程度向上させるか？
• RQ4 アテンションメカニズムおよび説明可能なAI技術は、EHRベースのディープラーニングモデルにおける解釈性をどのように向上させるか？
• RQ5 実世界のEHRシステムへのディープラーニングの適用における主な制限要因および課題は何か。それらはどのように対処されているか？

主な発見

• 特にRNNおよびトランスフォーマーを用いたディープラーニングモデルは、AUCスコアの向上が最大10–15%に達するなど、従来の機械学習手法を上回り、敗血症や死亡リスク予測などの患者予後予測タスクで優れた性能を示している。
• オートエンコーダおよびVAEは、EHRデータのコンactかつ情報豊富な表現を効果的に学習でき、データが少ない状況でも性能が向上し、一般化性能が向上する。
• アテンションメカニズムは、縦断的記録における臨床的に関連のある時間的ポイントや特徴を強調することで、モデルの解釈性を顕著に向上させる。
• テキスト、コード、検査データを統合するマルチモーダル統合戦略は、多様なEHRタスクにおいて一貫して予測性能を向上させる。
• 大規模なEHRコーパスを用いた転移学習および事前学習は、希少疾患の予測やリソースが限られた環境において顕著な性能向上をもたらす。
• 強力な性能を発揮しているものの、データバイアス、欠損値、EHRシステムにおける標準化の欠如に起因する、モデルの頑健性、公平性、臨床現場への導入における課題が依然として残っている。