[논문 리뷰] Mixed Effect Composite RNN-GP: A Personalized and Reliable Prediction Model for Healthcare.

Ingyo Chung, Saehoon Kim외 3명|arXiv (Cornell University)|2018. 06. 05.

Machine Learning in Healthcare인용 수 3

한 줄 요약

이 논문은 다양한 환자들 사이의 전반적 경향을 학습하기 위한 딥 네ural 네트워크와 제한된 EHR 시계열 데이터에서 개인 환자의 변동성을 모델링하기 위한 가우시안 프로세스를 조합한 혼합 효과 복합 RNN-GP 모델을 제안한다. 이 프레임워크는 이질적인 EHR 작업에서 표준 RNN보다 향상된 성능을 보이며 개인 맞춤형이고 신뢰할 수 있는 의료 예측을 가능하게 한다.

ABSTRACT

We present a personalized and reliable prediction model for healthcare, which can provide individually tailored medical services such as diagnosis, disease treatment, and prevention. Our proposed framework targets at making personalized and reliable predictions from time-series data, such as Electronic Health Records (EHR), by modeling two complementary components: i) a shared component that captures global trend across diverse patients and ii) a patient-specific component that models idiosyncratic variability for each patient. To this end, we propose a composite model of a deep neural network to learn complex global trends from the large number of patients, and Gaussian Processes (GP) to probabilistically model individual time-series given relatively small number of visits per patient. We evaluate our model on diverse and heterogeneous tasks from EHR datasets and show practical advantages over standard time-series deep models such as pure Recurrent Neural Network (RNN).

연구 동기 및 목표

• 시계열 전자 건강 기록(EHR)을 활용하여 개인 맞춤형이고 신뢰할 수 있는 예측 모델을 개발하기 위해.
• 다양한 환자들 사이의 전반적 경향을 공유된 딥 네URAL 네트워크 구성 요소를 통해 포착하기 위해.
• 환자당 방문 기록이 제한되어 있기 때문에 가우시안 프로세스를 사용하여 환자별 특화된 변동성을 모델링하기 위해.
• 진단 및 질병 예방과 같은 임상 작업에서 예측의 신뢰성과 개인 맞춤화를 향상시키기 위해.

제안 방법

• 모델은 다양한 환자들에서 수집된 집계된 EHR 데이터로부터 복잡한 전반적 패턴을 학습하기 위해 딥 네URAL 네트워크를 사용한다.
• 환자별 시계열 경로와 불확실성 정량화를 위해 가우시안 프로세스를 통합한다.
• 혼합 효과 모델링 구조를 통해 공유(전반적) 및 개별(환자별) 구성 요소를 결합한다.
• 복합 아키텍처는 공유 및 개별 구성 요소의 공동 최적화를 통해 엔드 투 엔드 학습을 가능하게 한다.
• 환자당 데이터 희소성과 시간 패턴의 다양성에 적응함으로써 이질적인 EHR 작업을 처리한다.
• 불확실성 추정이 포함된 확률적 예측을 제공하여 임상적 신뢰성을 향상시킨다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 EHR 데이터에서 전반적 경향과 개인 환자 변동성을 효과적으로 균형 잡을 수 있는가?
• RQ2 하이브리드 RNN-GP 모델은 개인 맞춤형 의료 예측 작업에서 표준 RNN보다 뛰어나게 성능을 낼 수 있는가?
• RQ3 가우시안 프로세스의 통합은 환자당 낮은 데이터 환경에서 신뢰성과 불확실성 정량화를 어떻게 향상시키는가?
• RQ4 모델은 다양한 이질적인 EHR 작업에 얼마나 잘 일반화되는가?
• RQ5 공유 및 개별 구성 요소를 분리함으로써 예측 성능과 개인 맞춤화에 어떤 영향을 미치는가?

주요 결과

• 제안된 RNN-GP 모델은 다양한 EHR 예측 작업에서 표준 RNN보다 뛰어난 성능을 달성한다.
• 가우시안 프로세스의 통합은 개인 환자 예측에 대해 신뢰할 수 있는 불확실성 추정을 가능하게 한다.
• 모델은 환자 집단 전체의 전반적 경향과 환자별 고유의 패턴을 효과적으로 포착한다.
• 방문 기록이 적은 저자원 환경에서 실용적인 이점을 보이며, 기존 딥 러닝 성능이 제한되는 경우에 유리하다.
• 복합 아키텍처는 진단, 치료 및 예방과 같은 개인 맞춤형 의료 서비스를 향상된 신뢰성으로 제공할 수 있게 한다.
• 모델은 이질적인 EHR 데이터셋에 대해 강건성을 보이며, 강력한 일반화 능력을 나타낸다.