[논문 리뷰] Latent Patient Network Learning for Automatic Diagnosis.

Luca Cosmo, Anees Kazi외 3명|arXiv (Cornell University)|2020. 03. 27.

Machine Learning in Healthcare참고 문헌 25인용 수 12

한 줄 요약

이 논문은 수동으로 설계된 유사도 메트릭을 제거하고 데이터로부터 직접 최적의 환자 유사도 그래프를 학습하는 엔드 투 엔드, 공간적, 인덕티브 그래프 컬러션 네트워크(GCN)를 제안한다. 이 방법은 훈련 중에 그래프 구조를 동적으로 잘라내고 개선함으로써 두 가지 의료 CADx 작업에서 분류 성능을 크게 향상시킨다.

ABSTRACT

Recently, Graph Convolutional Networks (GCNs) has proven to be a powerful machine learning tool for Computer Aided Diagnosis (CADx) and disease prediction. A key component in these models is to build a population graph, where the graph adjacency matrix represents pair-wise patient similarities. Until now, the similarity metrics have been defined manually, usually based on meta-features like demographics or clinical scores. The definition of the metric, however, needs careful tuning, as GCNs are very sensitive to the graph structure. In this paper, we demonstrate for the first time in the CADx domain that it is possible to learn a single, optimal graph towards the GCN's downstream task of disease classification. To this end, we propose a novel, end-to-end trainable graph learning architecture for dynamic and localized graph pruning. Unlike commonly employed spectral GCN approaches, our GCN is spatial and inductive, and can thus infer previously unseen patients as well. We demonstrate significant classification improvements with our learned graph on two CADx problems in medicine. We further explain and visualize this result using an artificial dataset, underlining the importance of graph learning for more accurate and robust inference with GCNs in medical applications.

연구 동기 및 목표

• 의료 진단에서 수동으로 설계된 환자 유사도 메트릭에 민감한 GCN의 문제를 해결하기 위해.
• 하류 질병 분류를 위해 최적화된 그래프 구조를 학습하고 동적으로 조정할 수 있는 학습 가능한 동적 그래프 학습 메커니즘을 개발하기 위해.
• 스펙트럼 GCN이 아닌 공간 GCN을 사용하여 미리 보지 않은 환자에 대한 인덕티브 추론을 가능하게 하기 위해.
• 실제 의료 진단 작업에서 수작업으로 설계된 유사도 메트릭보다 학습된 그래프의 우수성을 입증하기 위해.
• 인공 및 실재 데이터셋에서 학습된 그래프 구조의 시각화를 통해 해석 가능성(해석 가능성)을 제공하기 위해.

제안 방법

• 노드 특징에 직접 작용하고 훈련 중에 동적으로 그래프 구조를 학습하는 공간적, 인덕티브 GCN을 제안한다.
• 질병 분류를 위한 그래프 인접행렬과 모델 파라미터를 동시에 최적화하는 엔드 투 엔드 학습 가능한 아키텍처를 도입한다.
• 예측 성능에 기반하여 환자 관계를 동적으로 및 局소적으로 개선하기 위해 그래프 자르기 기법을 활용한다.
• 환자 특징에서 유도된 어텐션 또는 유사도 메커니즘을 사용해 인접행렬을 갱신하는 미분 가능한 그래프 학습 모듈을 사용한다.
• 스펙트럼 방법을 회피하고 공간 컨볼루션에 의존함으로써, 이전에 보지 않은 환자에 대한 추론이 가능해진다.
• 표준 백프로파게이션을 사용해 모델을 엔드 투 엔드로 훈련하며, 그래프 구조는 분류기와 함께 동시에 최적화된다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 질병 분류 정확도를 향상시키는 최적의 환자 그래프 구조를 학습할 수 있는가?
• RQ2 의료 진단 작업에서 엔드 투 엔드 그래프 학습은 수작업으로 설계된 유사도 메트릭과 비교해 어떻게 성능을 냈는가?
• RQ3 학습된 그래프를 갖춘 공간 GCN은 이전에 본 적 없는 환자로 일반화할 수 있는가?
• RQ4 CADx에서 그래프 구조의 품질은 모델의 강건성과 해석 가능성에 어떤 영향을 미치는가?
• RQ5 학습된 그래프 구조는 실재 및 인공 데이터에서 기저의 환자 관계를 어떻게 반영하는가?

주요 결과

• 제안된 방법은 두 개의 실재 의료 CADx 데이터셋에서 수동으로 정의된 유사도 메트릭을 사용하는 GCN과 비교해 질병 분류 성능을 크게 향상시켰다.
• 엔드 투 엔드로 학습된 그래프 구조는 수작업으로 설계된 유사도 메트릭보다 더 정확하고 강건한 추론을 가능하게 한다.
• 공간적, 인덕티브 GCN은 스펙트럼 GCN 기반 접근과 달리 이전에 보지 않은 환자에 대한 효과적인 분류를 가능하게 한다.
• 인공 데이터셋에서의 시각화 결과는 학습된 그래프가 의미 있는 환자 관계를 포착하고 모델의 해석 가능성을 뒷받침함을 확인한다.
• 동적 그래프 자르기는 훈련 중에 관련된 환자 유사도에 집중함으로써 모델 성능을 향상시킨다.
• 결과는 그래프 구조 학습이 의료 응용 분야에서 신뢰할 수 있는 GCN 기반 진단을 위해 필수적임을 입증한다.