[論文レビュー] Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction

Ziyi Yang, Jun Shu+3 more|arXiv (Cornell University)|Sep 2, 2020

Gene expression and cancer classification参考文献 48被引用数 4

ひとこと要約

本論文では、特徴選択とサンプル再重み付けを組み合わせたメタラーニングフレームワーク、Select-ProtoNetを提案する。この手法は、ノイズが多く高次元な遺伝子発現データにおける少サンプル疾患亜型予測の性能を向上させる。不要な遺伝子をフィルタリングし、ノイズの多いサンプルの影響を低減することで、モデルは最先端の精度を達成し、肺がん亜型予測においてベースラインのProtoNetを20%以上上回る性能を示し、高いノイズ耐性を示す。

ABSTRACT

Current machine learning has made great progress on computer vision and many other fields attributed to the large amount of high-quality training samples, while it does not work very well on genomic data analysis, since they are notoriously known as small data. In our work, we focus on few-shot disease subtype prediction problem, identifying subgroups of similar patients that can guide treatment decisions for a specific individual through training on small data. In fact, doctors and clinicians always address this problem by studying several interrelated clinical variables simultaneously. We attempt to simulate such clinical perspective, and introduce meta learning techniques to develop a new model, which can extract the common experience or knowledge from interrelated clinical tasks and transfer it to help address new tasks. Our new model is built upon a carefully designed meta-learner, called Prototypical Network, that is a simple yet effective meta learning machine for few-shot image classification. Observing that gene expression data have specifically high dimensionality and high noise properties compared with image data, we proposed a new extension of it by appending two modules to address these issues. Concretely, we append a feature selection layer to automatically filter out the disease-irrelated genes and incorporate a sample reweighting strategy to adaptively remove noisy data, and meanwhile the extended model is capable of learning from a limited number of training examples and generalize well. Simulations and real gene expression data experiments substantiate the superiority of the proposed method for predicting the subtypes of disease and identifying potential disease-related genes.

研究の動機と目的

• 遺伝子情報における限られたデータとノイズの多い状況下で、少サンプル疾患亜型予測の課題に取り組むこと。
• 個々の疾患亜型を独立して扱うのではなく、関連する臨床的変数を同時にモデル化することで、臨床的推論を模倣すること。
• 遺伝子発現プロファイルに内在する高次元性とノイズに対処することで、ゲノムデータ向けにプロトタイプネットワークを強化すること。
• 関連する臨床的タスク間で共有される知識を活用することで、少数の例からも良好に一般化するデータ効率の良いモデルを開発すること。
• 解釈可能性を用いて、TCGAデータにおける生存解析による妥当性を確認した生物学的に関連する遺伝子を同定すること。

提案手法

• 高次元な発現データから疾患関連遺伝子を自動的に同定する学習可能な特徴選択層を、プロトタイプネットワークに拡張する。
• サポートセットの埋め込み段階で、ノイズの多いまたは外れ値の可能性のあるサンプルを適応的に軽減するサンプル再重み付け戦略を導入する。
• 各クラスのプロトタイプが、ニューラルネットワークによって学習された重み付き平均から導かれる重み付きプロトタイプ計算を採用する。
• 複数の関連する臨床的タスク（例：TCGAからの疾患亜型）で学習することで、知識の転送を可能にするメタラーニングの枠組みを採用する。
• エピソードトレーニングを用いてエンドツーエンドでモデルを訓練する。各エピソードは、サポートセットとクエリセットを含む少サンプル分類タスクをシミュレートする。
• ミニ-TCGAメタデータセットとして、TCGAタスクのキュレートされたサブセットを用いたマルチタスク学習の設定を導入し、ベンチマークに用いる。

実験結果

リサーチクエスチョン

• RQ1 メタラーニング技術は、限られたサンプルとノイズの多い遺伝子発現データにおける少サンプル疾患亜型予測を改善できるか？
• RQ2 特徴選択とサンプル再重み付けを組み合わせることで、高次元的かつノイズの多い遺伝子発現データに対するモデルの耐性はどのように向上するか？
• RQ3 関連する臨床的タスク間で共有される知識は、少サンプルゲノム分類における一般化性能をどの程度向上できるか？
• RQ4 モデルは、患者の生存予後と相関する生物学的に意味のある遺伝子を同定できるか？
• RQ5 ノイズレベルの変動に伴う精度と耐性の観点から、Select-ProtoNetは従来の教師あり手法およびそのベースラインであるProtoNetと比べてどの程度優れているか？

主な発見

• Select-ProtoNetは、TCGAメタデータセットの肺がん亜型予測タスクで97.78%の精度を達成し、ベースラインのProtoNetを20ポイント以上上回った。
• ミニ-TCGAメタデータセットにおいて、ノイズが増加する条件下でも高い性能を維持し、50%のノイズ条件下で78.15%の精度を達成した（ロジスティック回帰は57.06%）。
• 肺がんタスクにおいて、ベースラインのProtoNetよりも12.7ポイントの精度向上を達成し、メタラーニングで得た知識からの強力な一般化能力を示した。
• Select-ProtoNetが上位20位にランク付けした遺伝子では、生存に顕著な差が認められ（logrank p値 = 5.801e-4）、これらの遺伝子に変異が見られない患者はより長い生存期間を示した。
• 特徴選択層は不要な遺伝子を効果的にフィルタリングし、サンプル再重み付け機構によりノイズの多いサンプルの影響を低減することで、モデルの安定性が向上した。
• 生存解析により、Select-ProtoNetが同定した遺伝子が、肺がんの文脈において生物学的に関連性があり臨床的に意味のあるものであることが確認された。