[論文レビュー] retina-VAE: Variationally Decoding the Spectrum of Macular Disease

Stephen G. Odaibo|arXiv (Cornell University)|Jul 11, 2019

Retinal Imaging and Analysis参考文献 39被引用数 4

ひとこと要約

retina-VAEは、年齢、性別、人種、ポリープの有無、駄眼出血、疾患タイプを含む患者プロファイルベクトル（pVecs）から臨床的に関連性のある3次元潜在空間を学習する変分オートエンコーダーを導入し、網膜疾患の生物学的に妥当な14のサブタイプに自然にクラスタリングされる。これらのクラスタは、性別、人種、年齢、ポリープ状態の分布に差異を示し、抗VEGF療法に対する個別化された治療反応の可能性を示唆する。

ABSTRACT

In this paper, we seek a clinically-relevant latent code for representing the spectrum of macular disease. Towards this end, we construct retina-VAE, a variational autoencoder-based model that accepts a patient profile vector (pVec) as input. The pVec components include clinical exam findings and demographic information. We evaluate the model on a subspectrum of the retinal maculopathies, in particular, exudative age-related macular degeneration, central serous chorioretinopathy, and polypoidal choroidal vasculopathy. For these three maculopathies, a database of 3000 6-dimensional pVecs (1000 each) was synthetically generated based on known disease statistics in the literature. The database was then used to train the VAE and generate latent vector representations. We found training performance to be best for a 3-dimensional latent vector architecture compared to 2 or 4 dimensional latents. Additionally, for the 3D latent architecture, we discovered that the resulting latent vectors were strongly clustered spontaneously into one of 14 clusters. Kmeans was then used only to identify members of each cluster and to inspect cluster properties. These clusters suggest underlying disease subtypes which may potentially respond better or worse to particular pharmaceutical treatments such as anti-vascular endothelial growth factor variants. The retina-VAE framework will potentially yield new fundamental insights into the mechanisms and manifestations of disease. And will potentially facilitate the development of personalized pharmaceuticals and gene therapies.

研究の動機と目的

• 網膜疾患のスペクトル、特に抗VEGF療法を要する漏出性形態に対して、臨床的に関連性のある潜在表現を構築すること。
• 硬直的かつ相互に排他的な疾患分類から、連続的で個人に適合した疾患スペクトルモデルに移行すること。
• 患者プロファイルベクトル（pVecs）を用いて、生物学的および治療的関連性の高い潜在サブタイプを同定すること。
• 変分オートエンコーダーが、現実世界の疾患統計を反映する合成患者データから生物学的に意味のあるクラスタを同定できるかを検証すること。
• 患者サブグループの治療反応の差異を特定することで、将来的な個別化医薬品および遺伝子治療の開発を可能にすること。

提案手法

• 3,000件の合成6次元患者プロファイルベクトル（pVecs）を用いて、変分オートエンコーダー（VAE）を訓練した。pVecsは、漏出性AMD、CSCR、PCVを表している。
• pVecsには、年齢、性別、人種、ポリープの有無、駄眼出血、疾患タイプの臨床所見と人口統計変数が含まれる。
• モデルは入力pVecsを最もよく再構成する3次元潜在空間を学習し、再構成誤差と学習安定性に基づいてアーキテクチャを選定した。
• 潜在ベクトルは、K-meansを用いてクラスタメンバーシップを特定・検査するためのものであり、14のグループに自然にクラスタリングされた。
• 性別、人種、年齢、ポリープ状態、駄眼出血のパターンを分析し、生物学的妥当性を評価した。
• 変分推論を活用して、臨床的に関連性のある疾患サブタイプを符号化する連続的かつ解釈可能な潜在空間を構築した。

実験結果

リサーチクエスチョン

• RQ1 変分オートエンコーダーは、網膜疾患スペクトルを表す患者プロファイルベクトルから、臨床的に意味のある3次元潜在空間を学習できるか？
• RQ2 潜在ベクトルは、既知の疾患サブタイプや人口統計的パターンを反映する生物学的に妥当なクラスタに自然に形成されるか？
• RQ3 クラスタメンバーシップと性別、人種、年齢、ポリープ状態といった臨床変数との間に一貫した関連があるか？
• RQ4 潜在空間は、漏出性AMD、CSCR、PCVの間で共通する病態生理的メカニズム、特に脈絡膜新生血管形成を捉えられるか？
• RQ5 同定されたクラスタは、抗VEGF療法に対する感受性の差を示唆するか。これにより、個別化された治療反応予測が可能になるか？

主な発見

• 2次元または4次元の構成と比較して、3次元の潜在空間アーキテクチャが最も優れた学習性能を示し、表現力と一般化の最適なバランスを示した。
• 事前のクラスタ制約なしに、潜在ベクトルが自然に14の明確なクラスタに分離した。これは疾患スペクトルに内在する構造的特徴を示唆する。
• 各クラスタは、年齢、性別、人種、ポリープ状態といった主要な人口統計的および臨床的変数において強い内部一貫性を示した。例えば、一部のクラスタは全員が男性または全員が女性であり、一部はアジア人で他の人種を含まなかった。
• クラスタ1、4、6、8、11、12は、全員がアジア系患者で構成されており、人種特異的疾患サブタイプの可能性を示唆する。
• クラスタ2、12、14は最も若年の中央値年齢（39歳）を示したのに対し、クラスタ3、4、9、8は最も高齢の中央値年齢（78–79歳）を示した。これは年齢に伴う分類的特徴を示唆する。
• 駄眼出血は唯一、すべてのクラスタに分布するカテゴリカル変数であり、特定のサブタイプの特徴とは言えないことを示した。