[論文レビュー] This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text

Betty van Aken, Jens-Michalis Papaioannou+5 more|arXiv (Cornell University)|Oct 16, 2022

Machine Learning in Healthcare被引用数 6

ひとこと要約

ProtoPatientは、特徴的患者（プロトタイプ）とラベル別アテンションを用いる新規の深層学習モデルであり、入院メモから臨床的診断を高精度かつ解釈可能に予測する。特徴的患者に類似するテキストセグメントを特定することで、臨床医が直感的かつ妥当な予測を提示する。ベースラインを上回り、とくに希少診断において顕著な性能向上を示す一方で、変更可能で透明性のある意思決定支援を可能にする。

ABSTRACT

The use of deep neural models for diagnosis prediction from clinical text has shown promising results. However, in clinical practice such models must not only be accurate, but provide doctors with interpretable and helpful results. We introduce ProtoPatient, a novel method based on prototypical networks and label-wise attention with both of these abilities. ProtoPatient makes predictions based on parts of the text that are similar to prototypical patients - providing justifications that doctors understand. We evaluate the model on two publicly available clinical datasets and show that it outperforms existing baselines. Quantitative and qualitative evaluations with medical doctors further demonstrate that the model provides valuable explanations for clinical decision support.

研究の動機と目的

• ブラックボックス性能を超える、解釈可能で信頼性のある診断予測モデルが臨床現場で意思決定支援に役立つよう、そのニーズに対応すること。
• 臨床医が新しい患者を過去の症例と比較する方法を模倣するため、臨床テキストから特徴的患者表現を学習すること。
• とくに希少診断において性能を向上させつつ、説明が忠実で臨床的に意味のあるものであることを保証すること。
• 臨床医が訓練後、特徴的患者を検査・検証・更新できるモジュラーなシステムを開発すること。
• 再現可能性を促進し、臨床AI研究分野への導入を容易にするために、コードを公開すること。

提案手法

• モデルは文脈に応じた埋め込み（例：BERT）を用い、臨床的入院メモを高次元表現に変換する。
• 各診断に対して、その診断を有する患者の典型的な特徴を表すプロトタイプベクトルを学習する。
• ラベル別アテンションは、プロトタイプベクトルへの注目度を測ることで、各診断に対して最も関連性の高いテキストスパンを特定する。
• 予測は、患者の表現と各診断のプロトタイプベクトルとのコサイン類似度を計算することで行われる。
• 各プロトタイプベクトルに最も近い訓練例が、臨床医にとっての実世界の参照として「特徴的患者」として選ばれる。
• モデルはエンドツーエンドで訓練され、マルチラベル診断予測のための交差エントロピー損失を最適化する。

実験結果

リサーチクエスチョン

• RQ1 プロトタイプネットワークのアプローチは、臨床テキストにおける診断予測性能を向上させつつ、解釈可能性を維持できるか？
• RQ2 モデルの説明は、後処理による説明手法と比較して、どの程度内部意思決定プロセスに忠実で臨床的に有用か？
• RQ3 既存のベースラインと比較して、モデルは希少診断においてどの程度性能を向上させるか？
• RQ4 臨床医は、強調表示された特徴的患者と関連テキストセグメントを意思決定の支援に役立てられるか？
• RQ5 ラベル別アテンションは、マルチラベル・高語彙診断予測において、解釈性をどの程度向上させるか？

主な発見

• ProtoPatientは、2つの公開臨床データセットにおいて、複数の最先端ベースラインを上回り、特に希少診断においてF1スコアで顕著な向上を示した。
• 定量的評価により、モデルのアテンションベースの説明は、後処理による説明手法よりも内部意思決定プロセスに忠実であることが示された。
• 医師による手動評価により、強調表示された特徴的患者と関連テキストセグメントが臨床的に役立ちやすく、理解しやすいことが確認された。
• 訓練例が少ない診断においても性能が向上したため、クラス不均衡に強いことが示された。
• プロトタイプベクトルのモularityにより、訓練後、臨床医がプロトタイプを更新または検証できるため、信頼性と適応性が向上した。
• コードと実験設定を公開しており、再現性を確保するとともに、今後の研究を促進している。