[論文レビュー] Towards Personalized Modeling of the Female Hormonal Cycle: Experiments with Mechanistic Models and Gaussian Processes

Iñigo Urteaga, David J. Albers+4 more|arXiv (Cornell University)|Nov 30, 2017

Gaussian Processes and Bayesian Inference参考文献 17被引用数 4

ひとこと要約

本稿では、妥当な力学的モデルからのインシリコデータを活用して、女性のホルモン周期予測のパーソナライズ化を目的としてガウス過程モデル（GPMs）の使用を提案する。結果として、少なくとも2つのホルモンピークがトレーニングデータに含まれる場合、GPMsは周期の段階を正確に再構築・予測できることが示された。性能はノイズに対して頑健であるが、サンプリング周波数やピーク観測の有無に敏感であり、侵襲的測定を最小限に抑えるために、インformed（情報に基づいた）で的を射たサンプリングの価値が浮き彫りになった。

ABSTRACT

In this paper, we introduce a novel task for machine learning in healthcare, namely personalized modeling of the female hormonal cycle. The motivation for this work is to model the hormonal cycle and predict its phases in time, both for healthy individuals and for those with disorders of the reproductive system. Because there are individual differences in the menstrual cycle, we are particularly interested in personalized models that can account for individual idiosyncracies, towards identifying phenotypes of menstrual cycles. As a first step, we consider the hormonal cycle as a set of observations through time. We use a previously validated mechanistic model to generate realistic hormonal patterns, and experiment with Gaussian process regression to estimate their values over time. Specifically, we are interested in the feasibility of predicting menstrual cycle phases under varying learning conditions: number of cycles used for training, hormonal measurement noise and sampling rates, and informed vs. agnostic sampling of hormonal measurements. Our results indicate that Gaussian processes can help model the female menstrual cycle. We discuss the implications of our experiments in the context of modeling the female menstrual cycle.

研究の動機と目的

• 個々の個人のばらつきを考慮した、女性のホルモン周期を予測するパーソナライズドな機械学習モデルの開発。
• ガウス過程回帰（GPM）が、限られた、ノイズの多い、または不規則にサンプリングされたデータからホルモン動態を再構築・予測する可能性を評価すること。
• サンプリング周波数、測定ノイズ、およびトレーニングデータ選択（インformed vs. アグノスティックなサンプリング）が、月経周期の段階の予測精度に与える影響を調査すること。
• 臨床的・診断的応用において、最小限の侵襲性と高い予測性能の両立を実現するためのデータ要件を特定すること。
• 今後のモデルに、症状や行動などの表型変数をホルモンデータと統合する基盤を築くこと。

提案手法

• 女性のホルモン周期の妥当な力学的モデル（Clark et al., 2011）を用いて、真値としての合成的で現実的なホルモン時系列データを生成した。
• インシリコデータにガウスノイズを加え、ダウンサンプリングすることで、現実世界の測定制約を模擬した。
• 時間の入力を用い、劣化した観測値をトレーニングデータとして使用し、各ホルモンごとにガウス過程モデル（GPM）を訓練した。
• 滑らかで周期的なホルモン動態を捉えるために、合理的な平方根および周期的カーネル関数の組み合わせが用いられた。
• 平均と1標準偏差のしきい値に基づくヒューリスティックを用いて、ホルモンの最小値および最大値を検出し、周期の段階を特定した。
• 予測精度は、各段階について正しく予測された日数を真値の日数で割った比率として評価された。

実験結果

リサーチクエスチョン

• RQ1 ガウス過程モデルは、限られた、ノイズの多い、または不規則にサンプリングされたデータから、ホルモン値および月経周期の段階を正確に再構築・予測できるか？
• RQ2 ガウス過程モデルの性能は、サンプリング周波数や測定ノイズの変動に対してどれほど感受性を示すか？
• RQ3 ピークイベント（例：LHサージ）を標的としたインformedサンプリングは、ランダムまたは均一なサンプリングに比べて予測精度を向上させるか？
• RQ4 信頼性のある段階予測を実現するためのトレーニングセットに必要なホルモンピークの最小数は何か？
• RQ5 パーソナライズドなGPMは、特に生殖器障害を有する個人におけるホルモン周期の表型パターンの同定に利用できるか？

主な発見

• 少なくとも2つの完全なホルモン周期に観測されたピークが含まれるトレーニングデータを用いる場合、ガウス過程モデルはホルモン値および月経周期の段階を正確に予測できる。
• 週に2回未満のサンプリングで、ノイズがなくとも、予測精度は著しく低下し、サンプリングの臨界閾値が示された。
• GPMは中程度のノイズに対して頑健であるが、LHサージのような重要なホルモンピークがノイズで不明瞭になる場合には性能が低下する。
• トレーニング期間内に少なくとも1つのピーク測定（例：LHサージ）が存在することは、その段階の正確な予測に不可欠であることが示され、インformedサンプリングの重要性が強調された。
• ピークイベントを標的としたインformedサンプリングは、均一またはランダムなサンプリングよりも高い予測精度をもたらし、戦略的に配置された少ない測定数でも十分である可能性を示唆した。
• 本モデルは、非侵襲的でパーソナライズドなホルモン周期モデリングの可能性を示しており、今後の症状や行動などの表型変数との統合の応用が期待できる。