[논문 리뷰] Handling missing values in healthcare data: A systematic review of deep learning-based imputation techniques

M. Liu, Siqi Li외 8명|arXiv (Cornell University)|2022. 10. 15.

Machine Learning in Healthcare참고 문헌 92인용 수 4

한 줄 요약

이 체계적 리뷰는 의료 데이터에 대한 딥러닝(DL)-기반 보정 기법을 평가하며, 모델 아키텍처, 보정 전략, 데이터 유형을 분석한다. 연구 결과, 특히 시간적 및 다중 모odal 데이터에서 DL 방법이 비-DL 접근 방식보다 정확도에서 뛰어나며, 보정을 주요 작업과 함께 공동 최적화하는 '통합' 전략이 복잡한 데이터 환경에서 높은 효능을 보임을 확인하였다.

ABSTRACT

Objective: The proper handling of missing values is critical to delivering reliable estimates and decisions, especially in high-stakes fields such as clinical research. The increasing diversity and complexity of data have led many researchers to develop deep learning (DL)-based imputation techniques. We conducted a systematic review to evaluate the use of these techniques, with a particular focus on data types, aiming to assist healthcare researchers from various disciplines in dealing with missing values. Methods: We searched five databases (MEDLINE, Web of Science, Embase, CINAHL, and Scopus) for articles published prior to August 2021 that applied DL-based models to imputation. We assessed selected publications from four perspectives: health data types, model backbone (i.e., main architecture), imputation strategies, and comparison with non-DL-based methods. Based on data types, we created an evidence map to illustrate the adoption of DL models. Results: We included 64 articles, of which tabular static (26.6%, 17/64) and temporal data (37.5%, 24/64) were the most frequently investigated. We found that model backbone(s) differed among data types as well as the imputation strategy. The "integrated" strategy, that is, the imputation task being solved concurrently with downstream tasks, was popular for tabular temporal (50%, 12/24) and multi-modal data (71.4%, 5/7), but limited for other data types. Moreover, DL-based imputation methods yielded better imputation accuracy in most studies, compared with non-DL-based methods. Conclusion: DL-based imputation models can be customized based on data type, addressing the corresponding missing patterns, and its associated "integrated" strategy can enhance the efficacy of imputation, especially in scenarios where data is complex. Future research may focus on the portability and fairness of DL-based models for healthcare data imputation.

연구 동기 및 목표

• 의료 데이터에서의 딥러닝 기반 보정 기법의 현재 상태를 평가하기 위해.
• DL 보정 연구에서 가장 흔히 사용되는 데이터 유형과 모델 아키텍처를 특정하기 위해.
• 보정 전략, 특히 보정을 주요 작업과 통합하는 '통합' 접근 방식의 효과성을 평가하기 위해.
• 정확도와 신뢰성 측면에서 DL 기반 보정 방법과 전통적인 비-DL 기법 간의 비교를 수행하기 위해.
• 연구자가 데이터 유형과 결측 패턴에 따라 적절한 DL 모델을 선택할 수 있도록 체계적인 근거 지도를 제공하기 위해.

제안 방법

• 2021년 8월까지 5개 데이터베이스(MEDLINE, Web of Science, Embase, CINAHL, Scopus)에서 체계적 문헌 검색을 수행하였다.
• 의료 데이터의 결측치를 보정하기 위해 딥러닝 모델을 적용한 64篇의 논문을 선정하였다.
• 데이터 유형(예: 표형 정적, 시간적, 다중 모달), 모델 기반(예: 오토인코더, GANs, 트랜스포머), 보정 전략(예: 독립형, 통합형)에 따라 연구를 분류하였다.
• 평균 보정, k-NN, 다중 보정과 같은 비-DL 기반 기준과 비교하여 DL 기반 보정 성능을 평가하였다.
• 의료 데이터 유형별로 DL 보정 기법의 분포를 시각화하기 위해 근거 지도를 생성하였다.
• 보정을 주요 예측 작업과 함께 공동 최적화하는 '통합' 전략의 보편성과 효능을 분석하였다.

실험 결과

연구 질문

• RQ1 의료 분야에서 딥러닝 기반 보정 기법이 가장 자주 대상으로 삼는 데이터 유형은 무엇인가?
• RQ2 다양한 의료 데이터 유형에서 다양한 딥러닝 모델 아키텍처(예: 오토인코더, GANs, 트랜스포머)의 성능은 어떻게 다를까?
• RQ3 복잡한 데이터 환경에서 '통합' 보정 전략이 독립형 보정보다 상대적으로 얼마나 효과적인가?
• RQ4 DL 기반 보정 기법은 평균 보정이나 k-NN과 같은 비-DL 기법에 비해 정확도에서 얼마나 뛰어나게 되는가?
• RQ5 다양한 임상 데이터 모odal과 결측 패턴에 따라 DL 보정 기법의 채택 패턴은 어떻게 나타나는가?

주요 결과

• 시간적 데이터(37.5%, 24/64)와 표형 정적 데이터(26.6%, 17/64)가 DL 보정 연구에서 가장 흔히 다뤄진 데이터 유형이었다.
• '통합' 보정 전략—보정을 주요 작업과 함께 공동 최적화하는 방식—은 시간적 데이터 연구의 50%와 다중 모달 데이터 연구의 71.4%에서 사용되었다.
• 검토된 대부분의 연구에서 DL 기반 보정 방법이 비-DL 기반 방법보다 보정 정확도에서 뚜렷하게 뛰어났다.
• 모델 기반은 데이터 유형에 따라 크게 차이가 있었으며, 이는 아키텍처 선택이 특정 데이터 구조와 결측 패턴에 맞게 맞춤화되어야 함을 시사한다.
• 근거 지도 분석 결과, 복잡하고 고차원적인 의료 데이터, 특히 종단적 및 다중 모달 환경에서 DL 모델의 적용 증가 추세를 확인할 수 있었다.
• 강력한 성능에도 불구하고 현재 연구에서는 환자 인구 집단 간 모델 이식성과 공정성 문제에 대한 연구가 여전히 부족한 편이다.