[논문 리뷰] Learning Matching Representations for Individualized Organ Transplantation Allocation

Can Xu, Ahmed M. Alaa외 4명|arXiv (Cornell University)|2021. 01. 28.

Hepatitis C virus research참고 문헌 28인용 수 4

한 줄 요약

이 논문은 기부자 유형으로 군집화하고 기부자에 관계없이 수혜자 표현을 학습하여 이식 결과를 예측하는 매칭 표현 학습 모델을 제안한다. 이는 희귀 기부자-수혜자 매칭에 대한 정확한 반사적 추정을 가능하게 한다. 이 방법은 최신 할당 정책과 인간 전문가 지침을 초월하여 평균 생존 기간을 25일(2%) 증가시키고 실생활 데이터에서 사망률을 4.9% 감소시켰다.

ABSTRACT

Organ transplantation is often the last resort for treating end-stage illness, but the probability of a successful transplantation depends greatly on compatibility between donors and recipients. Current medical practice relies on coarse rules for donor-recipient matching, but is short of domain knowledge regarding the complex factors underlying organ compatibility. In this paper, we formulate the problem of learning data-driven rules for organ matching using observational data for organ allocations and transplant outcomes. This problem departs from the standard supervised learning setup in that it involves matching the two feature spaces (i.e., donors and recipients), and requires estimating transplant outcomes under counterfactual matches not observed in the data. To address these problems, we propose a model based on representation learning to predict donor-recipient compatibility; our model learns representations that cluster donor features, and applies donor-invariant transformations to recipient features to predict outcomes for a given donor-recipient feature instance. Experiments on semi-synthetic and real-world datasets show that our model outperforms state-of-art allocation methods and policies executed by human experts.

연구 동기 및 목표

• 관찰 데이터에서 표준 지도 학습이 매칭 편향과 관측되지 않은 반사적 매칭으로 인해 실패하는 기부자-수혜자 호환성 문제를 해결하기 위해.
• 기부자 특성의 군집화와 다양한 기부자 유형 간 수혜자 특성의 정렬을 통해 희귀 기부자-수혜자 조합에 일반화할 수 있는 표현을 학습하기 위해.
• 학습 데이터에 존재하지 않는 반사적 매칭에 대한 이식 결과를 추정하여 더 나은 할당 정책을 가능하게 하기 위해.
• 실생활 및 반-합성 데이터셋을 사용하여 기존 할당 방법과 전문가 기반 정책보다 생존 및 복리 지표에서 뛰어난 성능을 내기 위해.

제안 방법

• 모델은 기부자 특성 유사도 기반으로 기부자를 이산적인 '유형'으로 군집화하는 데 깊이 있는 임bedded 클러스터링 네트워크(DEC)를 사용한다.
• 기부자 유형 간 수혜자 특성의 분포를 일치시키기 위해 수혜자 특성에 기부자에 관계없는 변환을 적용하여 각 기부자 유형과 매칭된 수혜자 분포 간 확률 거리의 최소화를 달성한다.
• 기부자 유형과 변환된 수혜자 특성의 공동 표현은 모든 가능한 기부자 유형에 대한 결과 예측을 위해 다중 헤드 신경망에 입력된다.
• 전체 모델은 클러스터링 손실과 이식 결과 예측 손실을 동시에 최적화하는 공동 목표 함수를 통해 엔드 투 엔드로 훈련된다.
• 반사적 결과 추정은 특정 수혜자에 대해 모든 기부자 유형과의 매칭 결과를 예측함으로써, 학습 데이터에 존재하지 않은 매칭에도 적용 가능하다.
• 공변량 이동을 줄이고 희귀 기부자 및 수혜자 분포로의 일반화를 향상시키기 위해 도메인 적응 원리를 통합한다.

실험 결과

연구 질문

• RQ1 기본 임상 요인을 초월해 기부자-수혜자 호환성의 복잡하고 고차원적인 상호작용을 표현 학습을 통해 모델링할 수 있는가?
• RQ2 학습 데이터에 강한 매칭 편향이 존재할 때, 모델이 관측되지 않은 기부자-수혜자 매칭에 어떻게 일반화할 수 있는가?
• RQ3 인간 전문가 기반 할당 정책에 비해 데이터 기반 모델이 이식 결과를 얼마나 향상시킬 수 있는가?
• RQ4 기부자 군집화와 수혜자 특성에 대한 도메인 적응을 동시에 적용하면 반사적 결과 추정의 정확도가 향상되는가?

주요 결과

• 제안된 모델은 PLTSD 데이터셋에서 실생활 할당 정책 대비 평균 생존 기간을 25일(2%) 증가시키고 사망률을 4.9% 감소시켰다.
• 모델은 결정의 상호 교환 영역(AoDT)을 62.60% 기록하여 최고의 베이스라인 대비 4% 향상되고 랜덤 매칭 대비 87.82% 향상되었다.
• PLTSD 데이터셋에서 모델의 할당 정책은 최고의 베이스라인(BF 정책)을 초월하여 평균 생존 기간 1305.16일, 복리 지표 736.98를 기록했으며, BF 정책은 각각 1306.01일과 737.25였다.
• PLTSD 및 FPLTSD 데이터셋에서 모델은 최고 성능을 보인 베이스라인 대비 사실 기반 결과 예측 오차를 3.4% 감소시켰다.
• 모델의 표현 학습 접근법은 평균 오차(εF) 14.5362와 WMSE 14.0140을 기록하여 별도의 클러스터링 및 예측 구성 요소를 사용하는 모든 베이스라인 설정을 능가했다.
• 75.7%의 경우에서 모델은 실생활 정책과 다른 수혜자를 기부자에게 할당하여 기존 할당 규칙과의 상당한 이질성을 보였다.