[논문 리뷰] A Bayesian Approach for Medical Inquiry and Disease Inference in Automated Differential Diagnosis

Hong Guan, Chitta Baral|arXiv (Cornell University)|2021. 10. 15.

Machine Learning in Healthcare참고 문헌 21인용 수 4

한 줄 요약

이 논문은 질병 예측을 위한 베이지안 추론과 능동적 의료 문의를 위한 베이지안 실험 설계를 통합하는 베이지안 프레임워크를 제안한다. QMR 신뢰망을 활용하고 다단계 미리보는 검색을 확장함으로써 시뮬레이션 데이터셋에서는 최신 기술 수준의 성능을 달성하고 대화형 데이터셋에서는 경쟁 가능한 결과를 내며, 재학습 없이도 해석 가능성, 확장성, 적응성에서 우수한 성능을 발휘한다.

ABSTRACT

We propose a Bayesian approach for both medical inquiry and disease inference, the two major phases in differential diagnosis. Unlike previous work that simulates data from given probabilities and uses ML algorithms on them, we directly use the Quick Medical Reference (QMR) belief network, and apply Bayesian inference in the inference phase and Bayesian experimental design in the inquiry phase. Moreover, we improve the inquiry phase by extending the Bayesian experimental design framework from one-step search to multi-step search. Our approach has some practical advantages as it is interpretable, free of costly training, and able to adapt to new changes without any additional effort. Our experiments show that our approach achieves new state-of-the-art results on two simulated datasets, SymCAT and HPO, and competitive results on two diagnosis dialogue datasets, Muzhi and Dxy.

연구 동기 및 목표

• 능동적 질문과 최종 질병 추론을 모두 지원하는 확장성 있고 해석 가능하며 적응 가능한 자동 차별진단 시스템을 개발하기 위해.
• 기존의 머신러닝 및 강화학습 기반 방법의 한계를 극복하기 위해, 높은 계산 비용, 지식 기반 변경에 대한 낮은 적응성, 해석 가능성 부족 등의 문제를 해결하기 위해.
• 일단 단계에서 다단계 미리보는 검색으로 확장된 베이지안 실험 설계를 통해 질문 효율성과 정확도를 향상시키기 위해.
• 고정된 그래픽 모델을 유지하면서도 임상의가 질문 과정에서 수동으로 간섭할 수 있도록 하되, 일관된 추론을 유지하기 위해.
• 정확한 베이지안 확률 계산을 통해 부분 관찰 조건에서도 최소한의 질문 단계로 높은 진단 정확도를 달성하기 위해.

제안 방법

• 시스템은 질병-증상 간 의존 관계를 코딩한 고정된 해석 가능한 그래픽 모델로 Quick Medical Reference (QMR) 신뢰망을 사용한다.
• 질병 추론을 위해 QMR 네트워크를 사용하여 관측된 증상들에 기반해 질병의 사후 확률을 정확하게 계산한다.
• 의료 질문을 위해 베이지안 실험 설계를 적용하여 기대 정보량을 최대화하는 다음으로 가장 유익한 증상을 선택한다.
• 질문 단계는 다단계 미리보는 검색을 통해 향상되며, 향후 질문 경로를 평가하여 최적의 다음 질문을 선택한다.
• 질문과 추론을 분리함으로써, 임상의가 어떤 단계에서든 발견을 수동으로 오버라이드하거나 수정할 수 있으며, 재학습이 필요 없다.
• 학습 과정을 피하기 위해 QMR 네트워크와 정확한 확률 계산을 직접 사용함으로써, 새로운 질병이나 증상이 추가될 경우 즉각적인 적응이 가능하다.

실험 결과

연구 질문

• RQ1 다단계 미리보는 질문을 사용한 베이지안 접근법이 일단 단계 베이지안 실험 설계보다 진단 질문 단계를 줄이는 데 더 우수한가?
• RQ2 학습이 없는 시스템이 시뮬레이션 의료 진단 벤치마크에서 최신 기술 수준의 정확도를 달성하면서도 해석 가능하고 적응 가능할 수 있는가?
• RQ3 정확한 베이지안 추론과 베이지안 실험 설계의 통합이 부분 관찰 조건에서 진단 정확도와 효율성에 어떤 영향을 미치는가?
• RQ4 임상의가 질문 과정에서 수동으로 간섭할 경우 성능 저하가 얼마나 발생하는가?
• RQ5 고정된 그래픽 모델(QMR)을 사용함으로써 엔드 투 엔드 학습 모델에 비해 더 뛰어난 해석 가능성과 더 빠른 적응이 가능한가?

주요 결과

• 제안된 방법은 시뮬레이션 데이터셋인 SymCAT와 HPO에서 기존 방법보다 더 적은 질문 단계로 새로운 최신 기술 수준의 정확도를 달성했다.
• Muzhi와 Dxy 대화형 데이터셋에서는 경쟁 가능한 성능을 보이며, 다양한 데이터 유형에 걸쳐 뛰어난 안정성을 입증했다.
• 다단계 미리보는 검색은 진단 정확도를 크게 향상시키고 필요한 질문 단계 수를 줄였으며, 전체 관찰 추론 성능에 근접했다.
• QMR 네트워크에 새로운 질병이나 증상이 추가되어도 재학습 없이도 높은 정확도와 효율성을 유지했다.
• 임상의가 QMR 신뢰망의 구조를 직접 검토하여 진단 추론 과정을 이해할 수 있도록 하여 결과의 해석 가능성이 향상되었다.
• 중간 크기의 질병 집합에 대해서는 계산이 효율적이며, 강화학습이나 딥 제너레이티브 모델의 학습 오버헤드와 불안정성 문제를 피했다.