[논문 리뷰] A Tree-based Federated Learning Approach for Personalized Treatment Effect Estimation from Heterogeneous Data Sources.

Xiaoqing Tan, Chung‐Chou H. Chang외 1명|arXiv (Cornell University)|2021. 03. 10.

Advanced Causal Inference Techniques참고 문헌 50인용 수 7

한 줄 요약

이 논문은 이질적인 건강 데이터 소스 간의 개인화된 치료 효과 추정을 가능하게 하면서 현장 수준의 이질성을 현장별 분할을 통해 모델링하는 트리 기반 연합 학습 프레임워크를 제안한다. 다수의 병원 전자처방기록 네트워크를 활용하여 통계적 효율성과 해석 가능성을 향상시켜 산소 포화도가 병원 사망률에 미치는 영향에 대한 강력한 인과 추론을 입증한다.

ABSTRACT

Federated learning is an appealing framework for analyzing sensitive data from distributed health data networks. Under this framework, data partners at local sites collaboratively build an analytical model under the orchestration of a coordinating site, while keeping the data decentralized. While integrating information from multiple sources may boost statistical efficiency, existing federated learning methods mainly assume data across sites are homogeneous samples of the global population, failing to properly account for the extra variability across sites in estimation and inference. Drawing on a multi-hospital electronic health records network, we develop an efficient and interpretable tree-based ensemble of personalized treatment effect estimators to join results across hospital sites, while actively modeling for the heterogeneity in data sources through site partitioning. The efficiency of this approach is demonstrated by a study of causal effects of oxygen saturation on hospital mortality and backed up by comprehensive numerical results.

연구 동기 및 목표

• 이질적인 데이터 소스를 가진 연합 건강 데이터 네트워크에서 개인화된 치료 효과 추정의 과제를 해결하기 위해.
• 민감한 환자 데이터를 중앙집중화하지 않고도 데이터 분포의 현장 수준 변동성을 고려하는 방법을 개발하기 위해.
• 분산된 전자처방기록에서 인과 추론의 통계적 효율성과 모델의 해석 가능성을 향상시키기 위해.
• 데이터의 탈중앙화와 프라이버시를 유지하면서 병원 간 협업 모델 훈련을 가능하게 하기 위해.

제안 방법

• 이 방법은 현장별로 데이터를 분할하여 치료 효과의 현장 특화 이질성을 포착하는 트리 기반 앙상블 모델을 사용한다.
• 원시 데이터를 공유하지 않고도 병원 간에 협업적으로 모델을 훈련시키기 위해 연합 학습을 활용하여 데이터 프라이버시를 유지한다.
• 모델 유연성과 개인화를 향상시키기 위해 트리-앙상블 프레임워크 내에서 현장 수준의 분할을 통합한다.
• 모델 파라미터는 중심 조정 현장에서 조율된 집계 과정을 통해 업데이트되어 국소 모델 간 일관성을 확보한다.
• 이 프레임워크는 데이터 이질성 하에서 개인화된 치료 효과의 추정과 추론을 모두 지원한다.
• 실제 임상 환경에서의 성능 검증을 위해 다수의 병원 전자처방기록 네트워크를 활용한다.

실험 결과

연구 질문

• RQ1 다양한 의료 기관 간 이질적인 데이터가 존재하는 상황에서 개인화된 치료 효과 추정은 어떻게 향상시킬 수 있는가?
• RQ2 현장 수준의 변동성을 모델링하는 것이 연합 학습에서 인과 추론의 정확성과 신뢰성에 어떤 영향을 미치는가?
• RQ3 트리 기반 앙상블 접근법은 탈중앙화된 건강 데이터 분석에서 모델의 해석 가능성과 통계적 효율성을 효과적으로 균형 잡을 수 있는가?
• RQ4 제안된 방법은 데이터가 현장 간 동질성을 가진다고 가정하는 전통적인 연합 학습 방법에 비해 추정 정밀도와 강건성 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 방법은 데이터 소스의 현장 수준 이질성을 명시적으로 모델링함으로써 추정 효율성을 크게 향상시킨다.
• 트리 기반 앙상블 프레임워크는 다양한 병원 인구집단에서 개인화된 치료 효과의 해석 가능성을 향상시킨다.
• 포괄적인 수치적 결과는 이 방법의 강건성과 인과 추론 과제에서 뛰어난 성능을 확인한다.
• 이 방법은 다수의 병원에서 산소 포화도가 병원 사망률에 미치는 인과 효과를 추정하는 데 있어 뛰어난 경험적 성능을 보여준다.
• 데이터 중앙집중화 없이 연합 훈련을 수행함으로써 프라이버시를 유지하면서도 높은 모델 정확도를 달성한다.
• 데이터가 현장 간 동질성을 가진다고 가정하는 표준 연합 학습 방법보다 이 방법이 성능에서 뛰어나다.