[논문 리뷰] Adversarial Multi-Source Transfer Learning in Healthcare: Application to Glucose Prediction for Diabetic People

Maxime De Bois, Mounîm A. El‐Yacoubi외 1명|arXiv (Cornell University)|2020. 06. 29.

Artificial Intelligence in Healthcare참고 문헌 44인용 수 57

한 줄 요약

논문은 건강관리 분야를 위한 다소스 적대적 전이 학습 프레임워크를 도입하고 이를 당뇨병 환자의 개인화된 혈당 예측에 적용한다.

ABSTRACT

Deep learning has yet to revolutionize general practices in healthcare, despite promising results for some specific tasks. This is partly due to data being in insufficient quantities hurting the training of the models. To address this issue, data from multiple health actors or patients could be combined by capitalizing on their heterogeneity through the use of transfer learning. To improve the quality of the transfer between multiple sources of data, we propose a multi-source adversarial transfer learning framework that enables the learning of a feature representation that is similar across the sources, and thus more general and more easily transferable. We apply this idea to glucose forecasting for diabetic people using a fully convolutional neural network. The evaluation is done by exploring various transfer scenarios with three datasets characterized by their high inter and intra variability. While transferring knowledge is beneficial in general, we show that the statistical and clinical accuracies can be further improved by using of the adversarial training methodology, surpassing the current state-of-the-art results. In particular, it shines when using data from different datasets, or when there is too little data in an intra-dataset situation. To understand the behavior of the models, we analyze the learnt feature representations and propose a new metric in this regard. Contrary to a standard transfer, the adversarial transfer does not discriminate the patients and datasets, helping the learning of a more general feature representation. The adversarial training framework improves the learning of a general feature representation in a multi-source environment, enhancing the knowledge transfer to an unseen target. The proposed method can help improve the efficiency of data shared by different health actors in the training of deep models.

연구 동기 및 목표

• 이질적인 건강관리 데이터 소스 간의 강건한 지식 전송 필요성 동기 부여.
• 혈당 예측을 개선하기 위해 다중 소스를 활용하는 적대적 전이 학습 접근법 제안.
• 예측 정확도와 안전성을 높이기 위해 제2형 당뇨 맥락에서 프레임워크 평가.

제안 방법

• 다중 데이터 소스의 표현을 정렬하기 위해 적대적 학습을 사용하는 프레임워크 개발.
• 타깃 소스의 라벨 데이터 없이도 모델을 새로운 환자나 코호트에 적응시키기 위해 전이 학습 활용.
• 소스 특이 편향을 줄이면서 예측 신호를 보존하기 위해 도메인-적대적 목표를 통합.
• 디자인을 정당화하기 위해 기존 전이 학습 및 도메인 적응 연구에 기반.

실험 결과

연구 질문

• RQ1 적대적 다소스 전이 학습이 이질적 헬스케어 데이터 집합 간 혈당 예측을 개선할 수 있는가?
• RQ2 제안된 방법이 단일 소스 또는 비적대적 전이 학습 접근법과 혈당 예측에 대해 어떻게 비교되는가?
• RQ3 다중 소스 통합이 당뇨병 환자의 예측 안전성과 신뢰도에 미치는 영향은 무엇인가?

주요 결과

• 프레임워크가 다중 소스로부터 정보를 활용하여 예측 능력을 개선한다.
• 적대적 정렬이 소스 특이 편향을 완화하는 데 도움을 주어 새로운 피험자나 코호트로의 전이를 돕는다.
• 이 접근법은 확립된 전이 학습 및 도메인-적대적 학습 문헌 안에 위치한다.
• 이 연구는 혈당 예측 실험을 재현하기 위한 실용적 지침과 코드 리소스를 제공한다.