[논문 리뷰] Enhancing Model Interpretability and Accuracy for Disease Progression Prediction via Phenotype-Based Patient Similarity Learning

Yue Wang, Tong Wu외 2명|arXiv (Cornell University)|2019. 09. 26.

Machine Learning in Healthcare참고 문헌 14인용 수 5

한 줄 요약

이 논문은 종단적 전자건강기록(EHR)에서 비음수행렬분해(NMF)를 사용하여 표현형 기반 환자 유사도 학습 방법을 제안하여 질병 진행 예측을 향상시킨다. 집계된 환자-서비스 행렬에서 임상적으로 의미 있는 표현형을 추출함으로써, 모델의 해석 가능성과 정확도를 향상시키며, 와이드&딥, 로지스틱 회귀, 컨volutional 네트워크(CNN) 등 다양한 모델에서 표현형 특징을 통합할 경우 일관되게 2% 이상의 PR-AUC 향상을 달성한다.

ABSTRACT

Models have been proposed to extract temporal patterns from longitudinal electronic health records (EHR) for clinical predictive models. However, the common relations among patients (e.g., receiving the same medical treatments) were rarely considered. In this paper, we propose to learn patient similarity features as phenotypes from the aggregated patient-medical service matrix using non-negative matrix factorization. On real-world medical claim data, we show that the learned phenotypes are coherent within each group, and also explanatory and indicative of targeted diseases. We conducted experiments to predict the diagnoses for Chronic Lymphocytic Leukemia (CLL) patients. Results show that the phenotype-based similarity features can improve prediction over multiple baselines, including logistic regression, random forest, convolutional neural network, and more.

연구 동기 및 목표

• 다양한 질병 진행 패턴의 이질성 문제를 해결하기 위해 공통된 의료 서비스 패턴을 기반으로 임상적으로 의미 있는 환자 하위군을 식별한다.
• 환자 유사도 계산에서 일반적인 의료 서비스가 희귀하지만 임상적으로 중요한 서비스를 가리키는 문제를 해결한다.
• EHR 데이터에서 일관되고 생물학적으로 타당한 임상적 특징을 반영하는 표현형을 학습함으로써 모델의 해석 가능성을 향상시킨다.
• 시계열 EHR 모델링과 표현형 기반 유사도 특징을 통합함으로써 질병 진행 예측 모델의 정확도를 향상시킨다.
• 와이드&딥, CNN, 트리 기반 모델을 포함한 다양한 머신러닝 아키텍처에서 표현형 특징의 일반화 능력을 입증한다.

제안 방법

• 환자-서비스 행렬에 비음수행렬분해(NMF)를 적용하여 관련된 의료 서비스 그룹을 나타내는 잠재 표현형을 학습한다.
• 환자 여정은 매주로 분할되고, 서비스 수를 시간에 따라 합산하여 환자 수준의 벡터를 생성한 후, 환자-서비스 행렬을 구성한다.
• 표현형 특징은 NMF 기저 행렬에서 유도되며, 각 열은 함께 나타나는 임상 서비스의 군집인 표현형을 나타낸다.
• 수정된 와이드&딥 신경망은 시계열 EHR 데이터(딥 타워 내 LSTM을 통해)와 비시계열 특징(인구통계학적 정보 및 NMF 표현형)을 와이드 타워에서 함께 통합하여 공동 예측을 수행한다.
• 모델은 어댑미드 옵티마이저를 사용하여 훈련하고 조기 정지 기법을 적용하며, 성능 평가에는 다양한 민감도 임계값에서의 PR-AUC 및 F1 스코어를 사용한다.
• 부족한 데이터 상황에서도 완성되지 않은 환자 기록을 학습된 표현형 공간에 투영함으로써 표현형 추론이 가능해진다.

실험 결과

연구 질문

• RQ1 EHR에서 추출한 표현형 기반 환자 유사도 특징이 질병 진행 예측 모델의 정확도를 향상시킬 수 있는가?
• RQ2 NMF로 유도된 표현형이 임상적으로 의미 있고 일관된 의료 서비스 이용 패턴을 포착하는가?
• RQ3 표현형 특징의 통합이 다양한 아키텍처에서 모델의 해석 가능성과 성능에 어떤 영향을 미치는가?
• RQ4 표현형 특징이 환자 유사도 계산에서 일반적인 서비스의 지배를 완화시킬 수 있는가?
• RQ5 표현형 강화 모델이 만성 림프성 백혈병(CLL) 진단 예측에서 기준 모델보다 얼마나 뛰어나게 성능을 발휘하는가?

주요 결과

• 로지스틱 회귀, 랜덤 포레스트, CNN, 와이드&딥를 포함한 모든 테스트 모델에서 NMF로 유도된 표현형 특징의 통합으로 평균 2% 이상의 PR-AUC 향상이 이루어졌다.
• 표현형 특징이 추가될 경우 모든 민감도 수준에서 F1 스코어가 일관되게 증가하였으며, 특히 높은 민감도 임계값(예: 0.35–0.4)에서 상대적 향상 폭이 가장 컸다.
• 표현형 특징을 통합한 와이드&딥 모델은 15% 민감도에서 PR-AUC 0.2483, 30% 민감도에서 0.3579를 기록하여 기준 모델을 능가했다.
• NMF로 학습된 표현형은 임상적으로 일관되며, CLL와 같은 특정 질환을 지시하는 특징을 반영하여 모델의 해석 가능성을 향상시켰다.
• 학습된 표현형 공간에 투영함으로써 부족한 데이터가 있는 경우에도 환자 프로필을 안정적으로 추론할 수 있게 되었다.
• 이 방법은 와이드&딥, CNN, 트리 기반 모델을 포함한 다양한 모델 아키텍처에서 보편적인 유용성을 보이며, 임상 예측 과제에 넓은 적용 가능성을 시사한다.