[논문 리뷰] A Probabilistic Disease Progression Model for Predicting Future Clinical Outcome

Yingying Zhu, Mert R. Sabuncu|arXiv (Cornell University)|2018. 03. 13.

Health Systems, Economic Evaluations, Quality of Life참고 문헌 27인용 수 4

한 줄 요약

이 논문은 불규칙한 방문 간격과 누락된 데이터가 있는 종단적이고 다중 모odal 데이터에서 미래 임상 결과를 예측하는 확률적 베이지안 질병 진행 모델을 제안한다. 음성 질병 진행을 시그모이드 곡선으로 모델링하고 유전형과 같은 환자별 특성을 통합함으로써, 3,000명 이상의 환자를 포함한 알츠하이머병 데이터셋에서 벤치마크보다 뛰어난 예측 정확도를 달성하며, 질병 역학에 대한 해석 가능한 통찰을 제공한다.

ABSTRACT

In this work, we consider the problem of predicting the course of a progressive disease, such as cancer or Alzheimer's. Progressive diseases often start with mild symptoms that might precede a diagnosis, and each patient follows their own trajectory. Patient trajectories exhibit wild variability, which can be associated with many factors such as genotype, age, or sex. An additional layer of complexity is that, in real life, the amount and type of data available for each patient can differ significantly. For example, for one patient we might have no prior history, whereas for another patient we might have detailed clinical assessments obtained at multiple prior time-points. This paper presents a probabilistic model that can handle multiple modalities (including images and clinical assessments) and variable patient histories with irregular timings and missing entries, to predict clinical scores at future time-points. We use a sigmoidal function to model latent disease progression, which gives rise to clinical observations in our generative model. We implemented an approximate Bayesian inference strategy on the proposed model to estimate the parameters on data from a large population of subjects. Furthermore, the Bayesian framework enables the model to automatically fine-tune its predictions based on historical observations that might be available on the test subject. We applied our method to a longitudinal Alzheimer's disease dataset with more than 3000 subjects [23] and present a detailed empirical analysis of prediction performance under different scenarios, with comparisons against several benchmarks. We also demonstrate how the proposed model can be interrogated to glean insights about temporal dynamics in Alzheimer's disease.

연구 동기 및 목표

• 불규칙한 방문 일정과 누락된 데이터가 있는 상황에서도 알츠하이머병과 같은 진행성 질환의 미래 임상 궤적을 예측할 수 있는 유연하고 확률적인 모델을 개발하는 것.
• 영상, 인지 테스트, 생물학적 마커와 같은 다양한 임상 모달리티를 통합하여 통합적인 생성 모델링 프레임워크를 구축하는 것.
• 이전 데이터가 부족하거나 존재하지 않더라도 환자의 개인력 기록에 맞게 적응함으로써 개인화된 예측을 가능하게 하는 것.
• 유전적 위험 요인(예: APOE)이 진행에 미치는 영향과 같은 질병 역학에 대한 해석 가능한 통찰을 제공하는 것.
• 고정된 이진 결과(예: 2년 내 MCI에서 AD로의 전환)를 예측하는 정적 분류 벤치마크를 뛰어넘어 전체 종단적 궤적을 모델링함으로써 성능을 향상시키는 것.

제안 방법

• 잠재적 질병 병리 상태를 나타내기 위해 잠재의 시그모이드 곡선을 사용하며, 이는 굽는 지점과 기울기 파라미터로 정의된다.
• 임상 관측치(예: MMSE, ADAS-Cog, CDR-SB)는 잠재의 시그모이드 곡선의 조건부 독립적인 노이즈 있는 측정값으로 모델링된다.
• 환자 수준의 특성(예: 연령, 성별, APOE 상태)은 시그모이드 곡선의 파라미터를 예측하는 데 사용되어 개인화된 진행 모델링이 가능해진다.
• 잠재적 질병 상태를 통합하여 평균화하는 근사 베이지안 추론 전략을 사용하여 모델 파라미터를 추정한다.
• 이 프레임워크는 보간이나 고정된 시간 그리드가 필요 없이 누락된 데이터와 불규칙한 시간 간격을 자연스럽게 처리한다.
• 모델은 건강한 대조군, MCI, 알츠하이머병 환자를 포함한 3,000명 이상의 환자로 구성된 대규모 알츠하이머병 데이터셋(ADNI)에서 훈련된다.

실험 결과

연구 질문

• RQ1 희소하고 불규칙하며 다중 모달리티인 데이터에서, 확률적 모델이 알츠하이머병의 미래 임상 점수를 정확하게 예측할 수 있는가?
• RQ2 환자별 특성(예: APOE 유전자형)의 포함이 예측 정확도 향상과 개인화에 어떤 영향을 미치는가?
• RQ3 모델이 질병 진행 속도와 시기 영향을 포함한 위험 요인의 영향을 해석 가능한 방식으로 드러내는 데까지 어느 정도까지 가능할까?
• RQ4 모델의 성능은 고정된 시간 이진 결과(예: 2년 내 MCI에서 AD 전환)만 예측하는 정적 분류 벤치마크와 비교해 어떻게 다른가?
• RQ5 모델의 생성적 구조는 예측을 넘어서 질병 진행에 대한 기계적 질문(예: 위험 요인의 영향 분석 등)을 지원할 수 있는가?

주요 결과

• 제안된 모델은 다양한 이전 데이터 가용성과 예측 수평에 걸쳐, 모든 목표 생물학적 마커(MMSE, ADAS-Cog, CDR-SB)에서 벤치마크 방법보다 유의미하게 높은 예측 정확도를 달성했다.
• 모델은 고정된 시간 이진 결과가 아닌 전체 종단적 궤적을 모델링함으로써 정적 분류 벤치마크를 뛰어넘었다.
• 이전 데이터가 존재할수록 개인화된 예측 성능이 향상되어, 모델이 환자의 개인력 기록에 적응할 수 있음을 입증했다.
• 모델은 기계적 분석이 가능하게 하여, APOE 유전자형이 질병 진행 속도와 시기에 미치는 정량적 영향을 드러냈다.
• 베이지안 프레임워크는 블랙박스 딥러닝 모델과 달리 불확실성 인식 예측과 위험 요인 영향의 투명한 해석을 가능하게 했다.
• 모델의 성능는 누락된 데이터와 불규칙한 방문 일정에도 불구하고 뛰어난 안정성을 유지하여, 실제 임상 데이터에 적합함을 입증했다.