[논문 리뷰] Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning

Sirui Ding, Ruixiang Tang외 5명|PubMed|2023. 02. 18.

Organ Transplantation Techniques and Outcomes참고 문헌 16인용 수 9

한 줄 요약

논문은 임상 배치의 형평성을 개선하기 위해 인 embedding 기반 희소 특징 처리와 트리-증류를 결합한 공정한 기계 학습 프레임워크를 제시하고, 두 단계의 편향 제거 전략을 통해 장기 이식에서 인종 및 성별에 대한 공정성을 향상시키며 간 이식성 손상 예측에 활용한다.

ABSTRACT

Liver transplant is an essential therapy performed for severe liver diseases. The fact of scarce liver resources makes the organ assigning crucial. Model for End-stage Liver Disease (MELD) score is a widely adopted criterion when making organ distribution decisions. However, it ignores post-transplant outcomes and organ/donor features. These limitations motivate the emergence of machine learning (ML) models. Unfortunately, ML models could be unfair and trigger bias against certain groups of people. To tackle this problem, this work proposes a fair machine learning framework targeting graft failure prediction in liver transplant. Specifically, knowledge distillation is employed to handle dense and sparse features by combining the advantages of tree models and neural networks. A two-step debiasing method is tailored for this framework to enhance fairness. Experiments are conducted to analyze unfairness issues in existing models and demonstrate the superiority of our method in both prediction and fairness performance.

연구 동기 및 목표

• 포스트 트랜스플란트 결과 및 기증자/장기 특성의 MELD 한계를 해결하여 공정한 장기 배치를 촉진한다.
• 희소 및 밀집 특징을 모두 다루는 graft failure 예측을 위한 통합 프레임워크를 개발한다.
• 예측 과정에서 인종 및 성별 그룹 간의 편향을 줄이기 위한 공정성 제약을 도입한다.
• STAR 간 이식 데이터셋에서 접근 방식을 평가하고 전통적 기준선과 비교한다.

제안 방법

• CatNN(임베딩 + FM 상호작용)을 사용하여 1차/2차 및 고차 상호작용을 포착하는 희소 특징을 처리한다.
• 트리 기반 모델에서 지식을 신경망으로 증류하여 트리의 클러스터링(리프) 구조를 반영하도록 밀집 특징을 처리한다.
• 희소 및 밀집 표현의 엔드-투-엔드 융합을 가중 합성으로 수행한 후 시그모이드 출력으로 연결한다.
• 교차 엔트로피 손실로 학습하고 공정성 규제의 두 단계로 인구통계학적 평등을 달성하기 위해 예측을 정렬한다.
• 두 단계의 편향 제거: (1) 밀집 특징 증류 손실에 공정성 손실을 추가; (2) 엔드-투-엔드 학습 손실에 공정성 손실을 추가.

실험 결과

연구 질문

• RQ1 MELD가 인종 및 성별 그룹 간의 수혜율 및 포스트 트랜스플란트 graft failure와의 정합성을 보이는가?
• RQ2 제안된 공정 ML 프레임워크가 하위 집단 편향을 줄이면서도 정확한 graft-failure 예측에 도달하는가?
• RQ3 각 편향 제거 단계가 최종 예측의 공정성에 기여하는 바는 무엇인가?
• RQ4 프레임워크가 MELD, 로지스틱 회귀, 랜덤 포레스트, 그라디언트 부스팅 등과 비교했을 때 정확도와 공정성 지표에서 어떤 차이를 보이는가?

주요 결과

모델	민감 속성: 인종	민감 속성: 성별	ROC AUC (인종)	DPD (인종)	EOD (인종)	ROC AUC (성별)	DPD (성별)	EOD (성별)
MELD-score	—	—	0.505 ± 0.000	—	—	0.505 ± 0.000	—
로지스틱 회귀	0.777 ± 0.000	0.648 ± 0.017	0.834 ± 0.007	0.777 ± 0.000	0.021 ± 0.000	0.033 ± 0.001
랜덤 포레스트	0.804 ± 0.000	0.630 ± 0.030	0.703 ± 0.047	0.804 ± 0.000	0.020 ± 0.001	0.036 ± 0.001
GBDT	0.809 ± 0.000	0.637 ± 0.027	0.713 ± 0.033	0.809 ± 0.000	0.017 ± 0.000	0.031 ± 0.001
W/o first-step	0.793 ± 0.000	0.596 ± 0.022	0.687 ± 0.038	0.792 ± 0.000	0.016 ± 0.002	0.027 ± 0.002
W/o second-step	0.793 ± 0.001	0.616 ± 0.041	0.745 ± 0.076	0.793 ± 0.001	0.014 ± 0.007	0.026 ± 0.009
Ours	0.792 ± 0.000	0.597 ± 0.015	0.662 ± 0.029	0.793 ± 0.001	0.011 ± 0.001	0.022 ± 0.003

• 제안된 프레임워크는 기준선에 비해 경쟁력 있는 예측 성능을 보이면서 하위 그룹 편향을 감소시킨다.
• MELD-점수만으로는 graft failure와 약한 상관관계를 보이며 하위 그룹 간 공정성 정렬이 미흡하다.
• 두 단계의 편향 제거는 기준 모델보다 공정성 지표(인구통계학적 평등 차이 및 동등화된 확률 차이)가 향상된다.
• 아블레이션 분석은 두 편향 제거 단계의 결합이 가장 우수한 공정성 결과를 낳음을 보여준다.
• 인종 기반 예측은 편향 제거로 ROC-AUC에 큰 영향을 주지 않으면서도 공정성 이점이 크게 개선되며, 성별 기반 공정성은 작은 ROC-AUC 변화로도 공정성 지표 개선이 뚜렷하다.
• STAR 데이터셋에서 인종 및 성별 그룹의 공정성이 향상되었다.