[논문 리뷰] Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes

Zhaozhi Qian, Ahmed M. Alaa외 3명|arXiv (Cornell University)|2020. 01. 08.

Mental Health Research Topics참고 문헌 25인용 수 12

한 줄 요약

이 논문은 전자 건강 기록 이벤트 데이터에서 질병 발병을 신경망으로 조절되는 간선 가중치를 가진 다차원 포인트 과정으로 모델링함으로써 동적이고 개인화된 공존 질환 네트워크를 학습하는 딥 확률 모델인 딥 디퓨전 프로세스(DDP)를 제안한다. DDP는 도메인 내 및 도메인 외 설정에서 베이스라인을 능가하는 뛰어난 예측 성능와 해석 가능한 질병 경로 표현을 달성하며, 특히 다양한 종류의 암 간 전이 학습에서 뛰어난 성능을 보인다.

ABSTRACT

Comorbid diseases co-occur and progress via complex temporal patterns that vary among individuals. In electronic health records we can observe the different diseases a patient has, but can only infer the temporal relationship between each co-morbid condition. Learning such temporal patterns from event data is crucial for understanding disease pathology and predicting prognoses. To this end, we develop deep diffusion processes (DDP) to model "dynamic comorbidity networks", i.e., the temporal relationships between comorbid disease onsets expressed through a dynamic graph. A DDP comprises events modelled as a multi-dimensional point process, with an intensity function parameterized by the edges of a dynamic weighted graph. The graph structure is modulated by a neural network that maps patient history to edge weights, enabling rich temporal representations for disease trajectories. The DDP parameters decouple into clinically meaningful components, which enables serving the dual purpose of accurate risk prediction and intelligible representation of disease pathology. We illustrate these features in experiments using cancer registry data.

연구 동기 및 목표

• 전자 건강 기록에서의 이벤트 데이터를 사용하여 복잡하고 시간에 따라 변화하는 공존 질환 간 상호작용을 모델링한다.
• 환자의 병력에서 개인별 질병 진행 패턴을 포착하기 위해 환자 고유의 공존 질환 네트워크를 학습하는 방법을 개발한다.
• 위험 예측 정확도를 향상시키면서도 질병 경로의 임상적 해석 가능성을 유지한다.
• 재학습 없이도 다양한 질병 인구 집단 간 전이 학습을 가능하게 한다. 예를 들어 결장암에서 위암으로의 전이 학습.
• 실제 시간적 진행을 반영하는 임상적으로 의미 있는 동적 네트워크 구조를 밝혀낸다.

제안 방법

• 질병 발병 이벤트를 동적이고 가중치가 부여된 그래프 구조로 매개변수화된 다차원 포인트 과정으로 모델링한다.
• 강도 함수를 배경 위험, 정적 상호작용, 시간에 따라 변화하는 영향력, 그리고 딥 네트워크로 조절되는 동적 성분으로 분해한다.
• 환자의 병력을 시간에 따라 변화하는 간선 가중치로 매핑하기 위해 신경망을 사용하여 개인화되고 적응 가능한 공존 질환 네트워크 표현을 가능하게 한다.
• 예측 및 네트워크 구조 학습을 동시에 최적화하기 위해 가능도 최대화를 사용하여 모델을 종단 간(end-to-end)으로 훈련한다.
• 모델의 투명성과 질병 메커니즘에 대한 가설 생성을 촉진하기 위해 임상적으로 해석 가능한 구성 요소를 통합한다.
• 암 등록부 데이터에 모델을 적용하여 공존 질환 네트워크를 학습하고 도메인 내 및 도메인 외 예측 작업에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 딥 확률 모델은 종단적인 EHR 이벤트 데이터에서 동적이고 개인화된 공존 질환 네트워크를 학습할 수 있는가?
• RQ2 간선 가중치를 조절하기 위해 신경망을 포함시킬 경우, 정적 또는 비모수적 모델 대비 예측 정확도는 얼마나 향상되는가?
• RQ3 학습된 공존 질환 네트워크가 결장암에서 위암으로의 다양한 질병 인구 집단 간 일반화되는 정도는 어느 정도인가?
• RQ4 모델의 해석 가능한 구성 요소가 임상적으로 의미 있는 질병 진행 경로를 밝혀내는 데 기여하는가?
• RQ5 고정되거나 덜 구조화된 상호작용 메커니즘을 가진 모델에 비해 동적 네트워크 구조가 도메인 외 성능을 더 잘 향상시키는가?

주요 결과

• DDP는 여덟 가지 질병 예측 작업 중 다섯 가지에서 최고의 성능를 기록하였고, 나머지 세 가지 작업에서도 경쟁력 있는 결과를 보이며 cHawkes와 Charlson 점수를 크게 능가하였다.
• 도메인 외 전이 실험에서, DDP는 재학습 없이 결장암 데이터로 훈련된 후 위암 데이터에서 테스트한 결과, Neural Hawkes를 포함한 모든 베이스라인을 뛰어넘는 성능을 보였다.
• 카이 제곱 검정을 통해 결장암 및 위암 데이터셋 간 질병 유병률과 쌍의 발생 빈도에 유의미한 차이가 있음을 확인하였으며(p < 0.001), 이는 인구 수준의 네트워크가 잘 전이되지 않을 것임을 시사한다.
• 자카르드 거리 분석 결과, 각 데이터셋 내부의 그래프 이질성은 서로 다른 데이터셋 간의 이질성보다 더 높았으며, 이는 DDP가 다양한 암 유형 간 일반화 가능한 네트워크 구조를 학습했다는 것을 확인한다.
• Neural Hawkes와 RETAIN과 달리, DDP는 해석 가능한 동적 공존 질환 네트워크를 추론할 수 있어 임상적 통찰을 강화하고 질병 메커니즘에 대한 가설 생성을 지원한다.
• DDP는 뛰어난 일반화 능력을 보이며, 데이터가 부족한 희귀 질환 또는 소수 인구 집단에 더 적합한 동적이고 병력에 의존하는 네트워크 학습 방식임을 시사한다.