[논문 리뷰] Causal Machine Learning for Healthcare and Precision Medicine

Pedro L. Sánchez, Jeremy P. Voisey외 4명|arXiv (Cornell University)|2022. 05. 23.

Machine Learning in Healthcare인용 수 10

한 줄 요약

이 논문은 정밀의료에서의 행동 가능한 개인 맞춤형 치료 예측을 가능하게 하기 위해 임상 의사결정 지원 시스템에 인과적 머신러닝(CML)을 통합할 것을 주장한다. 알츠하이머병을 사례로 삼아 인과적 표현 학습, 인과적 발견, 인과적 추론을 활용함으로써 CML이 간섭을 모델링하고 고차원의 다중모odal 데이터를 다루며, 혼동요인과 분포 이탈에도 불구하고 강건성과 해석 가능성을 향상시킬 수 있음을 보여준다.

ABSTRACT

Causal machine learning (CML) has experienced increasing popularity in healthcare. Beyond the inherent capabilities of adding domain knowledge into learning systems, CML provides a complete toolset for investigating how a system would react to an intervention (e.g.\ outcome given a treatment). Quantifying effects of interventions allows actionable decisions to be made whilst maintaining robustness in the presence of confounders. Here, we explore how causal inference can be incorporated into different aspects of clinical decision support (CDS) systems by using recent advances in machine learning. Throughout this paper, we use Alzheimer's disease (AD) to create examples for illustrating how CML can be advantageous in clinical scenarios. Furthermore, we discuss important challenges present in healthcare applications such as processing high-dimensional and unstructured data, generalisation to out-of-distribution samples, and temporal relationships, that despite the great effort from the research community remain to be solved. Finally, we review lines of research within causal representation learning, causal discovery and causal reasoning which offer the potential towards addressing the aforementioned challenges.

연구 동기 및 목표

• 표준 머신러닝의 한계를 보완하기 위해 인과성을 통합하여 행동 가능한 간섭 기반 예측을 가능하게 하기 위해 임상 의사결정 지원 시스템에서 인과성을 통합한다.
• 미관측된 반대가치(Counterfactuals)라는 인과 추론의 근본적 문제를 해결하기 위해 인과 모델을 사용하여 개인별 치료 효과를 추정한다.
• 의료 영상, 유전체 정보, 전자 의무기록(EHRs)와 같은 다중모달, 고차원, 비정형 의료 데이터를 인과 프레임워크에 통합하여 일반화 능력과 해석 가능성을 향상시킨다.
• 영역 지식과 인과적 구조를 학습 모델에 통합하여 관련성 기반 예측을 넘어서 임상 의사결정 지원 시스템을 발전시킨다.
• 분포 이탈, 시간 동적 변화, 다중모달 데이터 통합과 같은 주요 과제를 식별하고 해결한다.

제안 방법

• 의료 영상 및 유전체 정보와 같은 고차원 비정형 데이터에서 저차원, 정보성 있고 인과적인 변수를 추출하기 위해 인과적 표현 학습을 적용한다.
• 조건부 독립성 검증, DAG 탐색, 구조적 가정(예: 덧셈 잡음 모델)에 기반한 인과적 발견 기법을 사용하여 관찰 데이터에서 인과적 그래프를 추론한다.
• do-계산법과 반대가치 추론을 통해 구조적 인과 모델을 사용하여 간섭 기반 질의(예: '환자가 약 X를 투여받았다면 어떤 일이 일어났을까?')에 답한다.
• 정규화 흐름과 변분 추론과 같은 딥 생성 모델을 활용하여 이미지 특징과 같은 복잡한 데이터 공간에서 반대가치 생성을 가능하게 한다.
• 전문가 지식과 시간 동적 변화를 코딩하여 임상적 추론을 모방하는 인과 모델을 설계함으로써 투명성과 강건성을 향상시킨다.
• 다양한 데이터 소스(예: 텍스트, 영상, 검사 결과)를 통합하면서도 인과적 해석 가능성을 유지하기 위해 인과적 머신러닝과 다중모달 학습 아키텍처를 결합한다.

실험 결과

연구 질문

• RQ1 표준 상관 기반 모델을 초월하여 인과적 머신러닝이 정밀의료에서 개인 맞춤형 치료 예측을 어떻게 향상시킬 수 있는가?
• RQ2 고차원, 다중모달, 비정형 의료 데이터에 인과 추론을 적용할 때의 주요 과제는 무엇인가?
• RQ3 인과적 표현 학습은 복잡한 의료 데이터(예: 의료 영상, 유전체 정보)에서 의미 있는 저차원 인과 변수를 어떻게 추출할 수 있는가?
• RQ4 미관측된 혼동요인과 복잡한 기능 형태가 존재하는 실제 의료 환경에서 현재의 인과적 발견 방법의 한계는 무엇인가?
• RQ5 이미지 기반 및 다중모달 임상 데이터에 대해 인과적 추론을 효과적으로 적용하여 반대가치 결과를 생성할 수 있는가?

주요 결과

• 인과적 머신러닝은 간섭 효과를 추정함으로써 행동 가능한 의사결정을 가능하게 하며, 예를 들어 알츠하이머병 약물 치료에 따른 인지 기능 저하 예측과 같은 응용에서 이를 입증한다.
• 인과적 표현 학습은 고차원 의료 데이터를 이해하기 쉬운 인과 변수로 효과적으로 추상화함으로써 모델의 강건성과 해석 가능성을 향상시킨다.
• 인과적 발견 방법은 관찰 데이터에서 인과적 구조를 추론할 수 있지만, 여전히 미관측된 혼동요인과 모델 오Specification에 민감하다.
• 반대가치를 통한 인과적 추론은 '만약 환자가 다른 치료를 받았다면 어떻게 되었을까?'와 같은 '만약에' 질문에 대한 공식적 프레임워크를 제공한다.
• 인과 모델을 딥 생성 아키텍처(예: 정규화 흐름)와 통합하면 반대가치 이미지 생성이 가능하지만, 역행성 모델링에서 복잡성이 증가한다.
• 진전이 있었음에도 불구하고, 다양한 의료 환경에서 인과 모델을 일반화하고 진행성 질환의 시간 동적 변화를 다루는 데 도전 과제가 남아 있다.