[논문 리뷰] A Framework for Individualizing Predictions of Disease Trajectories by Exploiting Multi-Resolution Structure

Peter Schulam, Suchi Saria|arXiv (Cornell University)|2016. 01. 18.

Gene expression and cancer classification참고 문헌 22인용 수 72

한 줄 요약

이 논문은 다중 해상도 데이터를 사용하여 인구 수준, 하위집단 수준, 개인 수준의 역학을 통합함으로써 개인별 질병 전개를 예측하는 계층적 잠재변수 모델을 제안한다. 이 모델은 개인별로 동적으로 학습된 파rameter를 활용하여 경화증 환자의 간질성 폐질환 예측 정확도를 향상시켜, 4년간의 데이터에서 최신 기술 대비 평균 절대오차(MAE) 14.3% 향상시켰다.

ABSTRACT

For many complex diseases, there is a wide variety of ways in which an individual can manifest the disease. The challenge of personalized medicine is to develop tools that can accurately predict the trajectory of an individual's disease, which can in turn enable clinicians to optimize treatments. We represent an individual's disease trajectory as a continuous-valued continuous-time function describing the severity of the disease over time. We propose a hierarchical latent variable model that individualizes predictions of disease trajectories. This model shares statistical strength across observations at different resolutions--the population, subpopulation and the individual level. We describe an algorithm for learning population and subpopulation parameters offline, and an online procedure for dynamically learning individual-specific parameters. Finally, we validate our model on the task of predicting the course of interstitial lung disease, a leading cause of death among patients with the autoimmune disease scleroderma. We compare our approach against state-of-the-art and demonstrate significant improvements in predictive accuracy.

연구 동기 및 목표

• 복잡하고 이질적인 질환인 경화증에서 개인 맞춤형 질병 전개를 예측하는 데 도전하는 데 목적을 두며.
• 인구, 하위집단, 개인 수준의 요인을 통합하여 개인 간 이질성을 모델링하는 데 목적을 두며.
• 지속적으로 증가하는 임상 데이터를 활용해 예측을 동적으로 실시간으로 업데이트할 수 있도록 하는 데 목적을 두며.
• 정확하게 빠른 질병 악화 위험이 있는 환자를 식별함으로써 임상 의사결정을 향상시키는 데 목적을 두며.
• 정적 또는 보간된 시계열 모델에 의존하는 것을 줄이고, 연속시간, 비정기적으로 샘플링된 임상 마커를 활용하는 데 목적을 두며.

제안 방법

• 모델은 인구, 하위집단, 개인 수준 간 통계적 강도를 공유하기 위해 계층적 잠재변수 구조를 사용한다.
• 지속적인 시간의 질병 전개를 모델링하기 위해 가우시안 프로세스를 사용한 비모수 베이지안 프레임워크를 적용한다.
• 하위집단 수준의 파rameter는 혼합 가우시안 프로세스를 사용해 오프라인으로 학습하고, 개인별 파rameter는 베이지안 추론을 통해 온라인으로 업데이트한다.
• 기본값 공변량(예: Scl-70 상태)을 포함하고 하위집단 기반 기준에서 개인별로의 편차를 허용한다.
• 트레이젝터리를 표현하기 위해 B-spline 기저 전개를 사용하고, 확장 가능한 학습을 위해 변분 추론 알고리즘을 적용한다.
• 신규 데이터가 도착함에 따라 개인 파rameter를 업데이트함으로써 예측을 동적으로 업데이트할 수 있도록 하여 실시간 개인 맞춤 예측을 지원한다.

실험 결과

연구 질문

• RQ1 다중 해상도 데이터를 통합하는 계층적 모델이 개인 맞춤형 질병 전개 예측의 정확도를 향상시킬 수 있는가?
• RQ2 하위집단 수준의 구조를 포함함으로써 인구 수준 모델에 비해 예측 성능이 어떻게 향상되는가?
• RQ3 개인별로 조정된 파rameter는 특히 초기 질병 단계에서 예측 정확도를 얼마나 향상시키는가?
• RQ4 이상하게 샘플링된 연속 시간 임상 마커 데이터(예: PFVC)를 어떻게 처리하는가?
• RQ5 폐기능에서 임상적으로 의미 있는 악화를 예측하는 데 최신 기술 대비 모델이 승리할 수 있는가?

주요 결과

• 제안된 모델은 다음 최선의 기준 대비 4년간의 데이터에서 평균 절대오차(MAE) 14.3% 향상된 성과를 기록했다.
• 두 년 이상의 데이터를 확보한 후, 모델의 예측 오차는 모두 기준보다 통계적으로 유의미하게 낮았다.
• 임상적으로 의미 있는 악화(≥10 PFVC)를 진짜 양성률 31%로 예측했으며, B-spline GP(17%)를 뛰어넘었고, 거짓 양성률도 낮게 유지(81% 대비 90%)했다.
• 개인별로 조정된 파rameter를 제거하면 예측 정확도가 떨어졌으며, 이는 개인 맞춤화에 있어 그들의 핵심적 역할을 입증한다.
• 모델은 단 한 해의 데이터만으로도 빠르게 악화되는 전개를 정확히 식별했지만, B-spline GP는 초기 내림막 추세를 적절히 반영하지 못했다.
• 모델의 성능은 데이터가 많아질수록 향상되었으며, 이는 종단적 역사가 증가함에 따라 동적으로 개인 맞춤화 능력을 갖춘다는 점을 시사한다.