[論文レビュー] PyHealth: A Python Library for Health Predictive Models

Yue Zhao, Zhi Qiao+3 more|arXiv (Cornell University)|Jan 11, 2021

Machine Learning in Healthcare参考文献 20被引用数 15

ひとこと要約

PyHealth は、電子カルテ、画像、生理的信号、臨床ノートなどの多様な医療データタイプの予測モデルを開発・ベンチマークするための統一的でスケーラブルなフレームワークを提供するオープンソースの Python ライブラリです。研究者や実務家が一貫した API と多数の事前実装済みモデルを用いて、10行未満のコードで複雑な機械学習パイプラインを構築できます。

ABSTRACT

Despite the explosion of interest in healthcare AI research, the reproducibility and benchmarking of those research works are often limited due to the lack of standard benchmark datasets and diverse evaluation metrics. To address this reproducibility challenge, we develop PyHealth, an open-source Python toolbox for developing various predictive models on healthcare data. PyHealth consists of data preprocessing module, predictive modeling module, and evaluation module. The target users of PyHealth are both computer science researchers and healthcare data scientists. With PyHealth, they can conduct complex machine learning pipelines on healthcare datasets with fewer than ten lines of code. The data preprocessing module enables the transformation of complex healthcare datasets such as longitudinal electronic health records, medical images, continuous signals (e.g., electrocardiogram), and clinical notes into machine learning friendly formats. The predictive modeling module provides more than 30 machine learning models, including established ensemble trees and deep neural network-based approaches, via a unified but extendable API designed for both researchers and practitioners. The evaluation module provides various evaluation strategies (e.g., cross-validation and train-validation-test split) and predictive model metrics. With robustness and scalability in mind, best practices such as unit testing, continuous integration, code coverage, and interactive examples are introduced in the library's development. PyHealth can be installed through the Python Package Index (PyPI) or https://github.com/yzhao062/PyHealth .

研究の動機と目的

• 医療 AI 研究における標準化されたベンチマークデータセットと評価指標の欠如を是正し、再現性を向上させること。
• 多様なデータタイプとモデリングタスクをサポートする包括的でエンドツーエンドのツールキットを提供し、予測医療モデリングを実現すること。
• 統一 API を通じて、研究者や医療データサイエンティストが複雑な機械学習パイプラインを最小限のコードで実装できるようにすること。
• PyTorch を用いた GPU 加速に加え、自動テスト、継続的インテグレーション、コードカバレッジによる堅牢性とスケーラビリティを確保すること。
• 複数の医療タスクにわたる標準化された評価戦略と指標を提供することで、ベンチマークとモデル比較を容易にすること。

提案手法

• データ前処理、予測モデリング、評価の3モジュールからなるアーキテクチャを設計し、それぞれに標準化されたインターフェースを提供する。
• XGBoost、LSTM、ResNet、アテンションベースのモデルを含む 30 以上の最先端の機械学習およびディープラーニングモデルを実装し、データタイプ（時系列、画像、信号、テキスト）ごとにグループ化する。
• scikit-learn を模倣した API デザインを採用し、一貫したメソッドシグネチャ（fit()、load_model()、inference()）を提供してモデルの学習、選択、予測を統一的に扱う。
• 信頼性と保守性を確保するため、ユニットテスト、継続的インテグレーション（Travis CI、CircleCI）、コードカバレッジのチェックを統合する。
• PyTorch を用いた GPU 加速によりディープラーニングモデルの高速化を実現し、スケーラビリティを高めるためにデータ前処理の並列化をサポートする。
• インタラクティブな例題、Sphinx および Read the Docs を用いた詳細なドキュメンテーション、複数の Python バージョンおよびオペレーティングシステムの互換性を提供する。

実験結果

リサーチクエスチョン

• RQ1 統一的でオープンソースの Python ライブラリは、多様な医療データタイプにわたる予測モデルの開発とベンチマークをどのように簡素化できるか？
• RQ2 標準化された API は、多様な医療 AI モデルの学習と評価に必要なコードの複雑さをどの程度低減できるか？
• RQ3 自動評価と堅牢なソフトウェア工学的手法を備えた包括的ツールキットは、医療 AI 研究における再現性をどのように向上できるか？
• RQ4 1つのライブラリが、EHR、画像、信号、テキストなどのマルチモーダルデータを一貫したモデリングと評価ワークフローで効果的にサポートできるか？
• RQ5 組み込みテスト、CI/CD、ドキュメンテーションの影響は、医療 AI ライブラリの長期的保守性と採用にどのような影響を与えるか？

主な発見

• PyHealth は、一貫した scikit-learn に類似した API を用いて、10 行未満のコードで医療データ向けの複雑なディープラーニングパイプラインを実装可能である。
• このライブラリは、XGBoost から ResNet や Bidirectional-GRU に至るまで、4 つのデータモodal（時系列、画像、信号、テキスト）にわたる 30 以上の事前実装済みモデルをサポートしている。
• 継続的インテグレーション、ユニットテスト、コードカバレッジといった堅牢なソフトウェア工学的手法により、ライブラリの高信頼性と保守性が確保されている。
• このライブラリは、IQVIA の商業プロジェクトおよびトップレベルの研究機関の学術研究者によって実際に使用されており、高い採用と実世界応用性を示している。
• Read the Docs を通じた包括的なドキュメンテーションとインタラクティブな例題が提供されており、新規ユーザーの導入障壁を著しく低減している。
• このライブラリはオープンソースであり、GitHub にホスティングされており、活発なコミュニティ貢献とクロスプラットフォーム互換性を備えており、持続可能性と拡張性が向上している。