[論文レビュー] Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data

Manuel Schürch, Laura Boos+5 more|arXiv (Cornell University)|Feb 19, 2024

Radiomics and Machine Learning in Medical Imaging被引用数 5

ひとこと要約

この論文は、多オミクスデータに基づいて訓練された専門化された反事実エキスパートのモジュール式アンサンブルフレームワークを提示し、個別化された、信頼度を校正した反事実治療提案をがんに対して提案するもので、卵巣がんデータで実証されている。

ABSTRACT

AI-driven precision oncology has the transformative potential to reshape cancer treatment by leveraging the power of AI models to analyze the interaction between complex patient characteristics and their corresponding treatment outcomes. New technological platforms have facilitated the timely acquisition of multimodal data on tumor biology at an unprecedented resolution, such as single-cell multi-omics data, making this quality and quantity of data available for data-driven improved clinical decision-making. In this work, we propose a modular machine learning framework designed for personalized counterfactual cancer treatment suggestions based on an ensemble of machine learning experts trained on diverse multi-omics technologies. These specialized counterfactual experts per technology are consistently aggregated into a more powerful expert with superior performance and can provide both confidence and an explanation of its decision. The framework is tailored to address critical challenges inherent in data-driven cancer research, including the high-dimensional nature of the data, and the presence of treatment assignment bias in the retrospective observational data. The framework is showcased through comprehensive demonstrations using data from in-vitro and in-vivo treatment responses from a cohort of patients with ovarian cancer. Our method aims to empower clinicians with a reality-centric decision-support tool including probabilistic treatment suggestions with calibrated confidence and personalized explanations for tailoring treatment strategies to multi-omics characteristics of individual cancer patients.

研究の動機と目的

• AI搭載の精密腫瘍学を前進させるために、 retrospective multi-omics データから個別化された反事実治療アウトカムを学習する。
• 技術を横断する専門家を統合する、堅牢でモジュラーかつ解釈可能なMLフレームワークを構築する。
• 現実世界の高次元データにおける臨床意思決定を支援する信頼度評価と説明を提供する。
• 観察データにおける高次元性、欠損モダリティ、治療割り当てバイアスの課題に対処する。

提案手法

• Neyman-Rubinフレームワーク内で多オミクス患者データの個別化反事実アウトカムモデルを定義する。
• 技術ごとおよび治療ごとに専門化された反事実エキスパートを作成し、 コンセンサスフュージョン（covariance intersection-based）を用いてメタエキスパートに統合する。
• 各エキスパートについて mu_a(x) および nu_a(x) を推定し、不確実性の逆数として信頼度 lambda_a(x) を計算する。
• SHAP値を用いて説明 chi_a(x) を集約し、技術間で重み付き結合を用いて統合する。
• mu_a(x) に基づいて信頼度を考慮し、上位K治療を選択することでユーティリティを最大化する。

実験結果

リサーチクエスチョン

• RQ1 反事実治療アウトカムは、個別化腫瘍学のために回顧的な多オミクス観察データから学習可能か。
• RQ2 技術特化型エキスパートのモジュラーアンサンブルは、単一オミクスのベースラインと比較してin-vitroおよびin-vivoアウトカムの予測性能が良いか。
• RQ3 不確実性を意識したエキスパート集約は現実世界データにおける個別化治療提案と説明を改善するか。
• RQ4 オミクスモーダリティを横断して、治療推奨に影響を与える説明とバイオマーカーはどのように現れるか。

主な発見

• 専門家の集合体は、一般に単一の専門家やベースラインよりも、in-vitroおよびin-vivoアウトカムの予測で優れている。
• 集約されたエキスパートの予測は、in-vivoデータに対してAUROCおよび精度が0.70〜0.9の範囲を達成し、平均的な集約エキスパートは約0.75である。
• 技術エキスパートのうちランダムよりも良い予測をするのはごく限られたサブセットであり、集約手法は不良エキスパートを抑制する。
• フレームワークは、患者ごとに異なる個別化説明（SHAPベース）と治療推奨を提供し、治療効果の異質性を反映している。
• このアプローチは、多オミクスデータを用いた61人の卵巣がんコホートで実現可能性を示し、leave-one-outおよびnested cross-validationを用いて性能と信頼度を推定している。