[논문 리뷰] Modeling Disease Progression in Mild Cognitive Impairment and Alzheimer's Disease with Digital Twins

Daniele Bertolini, Anton Loukianov외 5명|arXiv (Cornell University)|2020. 12. 24.

Functional Brain Connectivity Studies참고 문헌 26인용 수 10

한 줄 요약

이 논문은 알츠하이머병(AD)과 경도 인지 장애(MCI)에서 다양한 임상 종단을 통해 질병 진행을 모델링하기 위해 조건부 제한 벨트만 기계(CRBMs)를 사용하는 디지털 트윈 프레임워크를 제안한다. 21개의 연구에서 수집한 희소하고 이질적인 데이터를 바탕으로 7,000명의 환자에게서 훈련된 모델은 실제 세계의 결과와 높은 상관성을 보이며, 12개월과 18개월 추적 시기에 인지 저하(예: ADAS-Cog11, MMSE, CDR-SB)를 정확하게 예측하는 현실적인 합성 환자 궤적을 생성한다.

ABSTRACT

Alzheimer's Disease (AD) is a neurodegenerative disease that affects subjects in a broad range of severity and is assessed in clinical trials with multiple cognitive and functional instruments. As clinical trials in AD increasingly focus on earlier stages of the disease, especially Mild Cognitive Impairment (MCI), the ability to model subject outcomes across the disease spectrum is extremely important. We use unsupervised machine learning models called Conditional Restricted Boltzmann Machines (CRBMs) to create Digital Twins of AD subjects. Digital Twins are simulated clinical records that share baseline data with actual subjects and comprehensively model their outcomes under standard-of-care. The CRBMs are trained on a large set of records from subjects in observational studies and the placebo arms of clinical trials across the AD spectrum. These data exhibit a challenging, but common, patchwork of measured and missing observations across subjects in the dataset, and we present a novel model architecture designed to learn effectively from it. We evaluate performance against a held-out test dataset and show how Digital Twins simultaneously capture the progression of a number of key endpoints in clinical trials across a broad spectrum of disease severity, including MCI and mild-to-moderate AD.

연구 동기 및 목표

• 임상 시험이 점점 더 초점을 맞추는 조기 단계의 MCI 포함, AD 전체 스펙트럼에서의 질병 진행을 모델링하는 도전 과제를 해결한다.
• 다양한 측정 주기로 인해 이질적이고 희소한 데이터를 갖는 다수의 관찰 연구 및 위약 대조 시험의 한계를 극복한다.
• 기본 데이터와 일치하는 개인별 디지털 트윈(합성 임상 기록)을 생성하는 조건부 생성 모델을 개발한다. 이는 표준 치료 기반의 미래 결과를 시뮬레이션한다.
• 기존의 CRBM 모델을 향상시키기 위해 추가적인 인지 측정치(예: CDR)와 생물학적 지표를 통합하여 핵심 임상 종단에 대한 예측 정밀도를 향상시킨다.
• 디지털 트윈을 활용해 신뢰할 수 있는 외부 대조군 또는 개별화된 결과 예측을 제공함으로써 더 효율적인 임상 시험 설계를 가능하게 한다.

제안 방법

• 21개 연구의 종단적 임상 데이터를 기반으로 조건부 제한 벨트만 기계(CRBM)를 훈련한다. 이 데이터는 약 35,000명의 환자-방문 기록과 7,000명의 MCI 및 AD 환자를 포함한다.
• 최대 우도(PL)와 적대적 대비 손실(적대자)을 조합한 새로운 BEAM 훈련 목표를 사용하며, 정규화를 균형 조절하기 위해 하이퍼파라미터 λ를 활용한다.
• 지속적 대비 분산을 최적화에 적용하여, 시간 지점에서 누락된 관측치가 있는 완전하지 않은 파편화된 데이터로부터 효과적으로 학습한다.
• 각 환자의 기초 임상 프로필에 조건부로 훈련된 CRBM에서 샘플링하여 디지털 트윈을 생성하며, 각 환자당 100개의 합성 궤적을 생성한다.
• 패널 데이터를 시간 순서 기반으로 관찰 시퀀스로 모델링하기 위해 슬라이딩 윈도우(샤이닝) 기법을 사용하여 생성된 궤적의 시간적 일관성을 확보한다.
• 선형 회귀를 사용해 개인 수준의 진행 예측을 평가하며, 12개월과 18개월 시점에서 ADAS-Cog11, MMSE, CDR-SB의 모델 예측 결과를 실제 테스트 데이터와 비교한다.

실험 결과

연구 질문

• RQ1 CRBM 기반 디지털 트윈 모델은 MCI 및 AD에서 다양한 인지 및 생물학적 지표 종단을 통해 종단적 질병 진행을 정확하게 시뮬레이션할 수 있는가?
• RQ2 다양한 연구에서 유래한 이질적이고 완전하지 않은 데이터를 기반으로 훈련된 모델이 개인별 환자 결과를 얼마나 잘 예측하는가?
• RQ3 제안된 BEAM 훈련 목표는 표준 최대 우도 훈련에 비해 샘플 품질과 예측 정확도를 향상시키는가?
• RQ4 기존 모델에 비해 핵심 임상 변수(예: MMSE)의 변동 분포에 대한 근사 정도는 어느 정도 향상되었는가?
• RQ5 디지털 트윈이 AD 임상 시험 설계에서 신뢰할 수 있는 합성 대조군 또는 개별화된 결과 예측으로 기능할 수 있는가?

주요 결과

• 모델은 18개월 후 예측된 ADAS-Cog11 진행과 실제 진행 간 피어슨 상관계수 0.49를 기록하여 실제 세계 데이터와 강한 예측 일치를 보였다.
• MMSE의 경우 18개월 후 상관계수 0.45를 기록했으며, Fisher 등 [7]의 이전 모델에 비해 근사 분포 평균 및 분산의 편차가 유의미하게 적었다.
• CRBM 기반 디지털 트윈은 CDR-SB 진행 예측에서 높은 일관성을 보였으며, 18개월 후 상관계수 0.47와 예측된 점수 대비 관측된 점수의 선형 회귀 기울기 0.76를 기록했다.
• BEAM 목표는 모드 붕괴를 감소시키고 샘플 품질을 향상시켰으며, 더 나은 근사 분포 근사와 t-검정 및 레벤의 검정에서의 통계적 편차 감소로 이를 입증했다.
• 모델은 훈련 데이터가 파편적이고 균일하지 않은 상황에서도 여러 종단을 동시에 진행 상황을 잘 포착했다. 이는 인지 테스트와 생물학적 지표를 포함한다.
• 디지털 트윈는 기초 특성을 유지하면서도 표준 치료 기반의 미래 임상 궤적을 정확하게 시뮬레이션하는 개인별 합성 기록을 생성할 수 있었다.