[논문 리뷰] Multi-task Prediction of Disease Onsets from Longitudinal Lab Tests

Narges Razavian, Jake Marcus외 1명|arXiv (Cornell University)|2016. 08. 02.

Machine Learning in Healthcare참고 문헌 17인용 수 39

한 줄 요약

이 논문은 15개월 전까지 133개의 질병 발병을 예측하기 위해 원시 종단적 검사 데이터를 사용하는 다중 작업 딥러닝 프레임워크를 제안한다. 298,000명의 환자에 대해 36개월 동안 18개의 검사 항목을 대상으로 LSTM과 두 가지 새로운 CNN 아키텍처를 적용함으로써, 임상 특징 엔지니어링을 거친 로지스틱 회귀 기반 모델보다 유의미하게 뛰어난 성능을 보였으며, 원시 데이터에서의 표현 기반 학습이 의료 분야의 조기 질병 예측에 기여함을 입증하였다.

ABSTRACT

Disparate areas of machine learning have benefited from models that can take raw data with little preprocessing as input and learn rich representations of that raw data in order to perform well on a given prediction task. We evaluate this approach in healthcare by using longitudinal measurements of lab tests, one of the more raw signals of a patient's health state widely available in clinical data, to predict disease onsets. In particular, we train a Long Short-Term Memory (LSTM) recurrent neural network and two novel convolutional neural networks for multi-task prediction of disease onset for 133 conditions based on 18 common lab tests measured over time in a cohort of 298K patients derived from 8 years of administrative claims data. We compare the neural networks to a logistic regression with several hand-engineered, clinically relevant features. We find that the representation-based learning approaches significantly outperform this baseline. We believe that our work suggests a new avenue for patient risk stratification based solely on lab results.

연구 동기 및 목표

• 원시 종단적 검사 데이터를 활용하여 광범위한 임상 특징 엔지니어링 없이도 조기 질병 예측을 향상시키기 위해.
• 수동으로 설계된 임상 특징에 의존하는 전통적 기계학습 모델보다 표현 기반 딥러닝 모델이 성능을 뛰어넘는지 평가하기 위해.
• 희소하고 비동기적인 검사 측정치로부터 동시에 여러 질병 발병을 예측할 수 있는 다중 작업 학습 프레임워크를 개발하고 검증하기 위해.
• 실제 보험 청구 데이터에 기반한 엔드 투 엔드 딥러닝이 환자 위험 분류에 있어 임상적 유용성을 입증하기 위해.

제안 방법

• 36개월 뒤로 거슬러가는 윈도우를 사용해 환자당 18개의 종단적 검사 값 시계열을 처리하여 질병 발병 예측을 수행한다.
• 장단기 기억망(LSTM) 순환 신경망을 사용해 검사 값 시계열 내의 시간적 의존성을 모델링한다.
• 일련의 검사 데이터에서 계층적 패턴을 추출하기 위해 두 가지 새로운 1차원 컨볼루션 신경망(CNN) 아키텍처를 도입한다.
• 단일 공유 표현을 사용해 133개의 서로 다른 질병 발병을 동시에 예측하는 다중 작업 학습 설정을 구현한다.
• 입력은 도메인 특화된 특징 엔지니어링 없이도 원시로 정규화된 검사 값(z-스코어)이다.
• 20개의 수동으로 설계된 임상적으로 관련성이 있는 특징(검사 추세 및 요약에서 유도)을 사용해 로지스틱 회귀 기반 모델을 훈련한다.

실험 결과

연구 질문

• RQ1 원시 종단적 검사 데이터를 기반으로 훈련된 딥러닝 모델이 전문가가 설계한 특징을 사용하는 전통적 모델보다 질병 발병 예측에서 뛰어나게 성능을 내는가?
• RQ2 단일 통합 딥러닝 아키텍처를 통해 다양한 임상적으로 관련성이 있는 질병 발병을 예측할 때 다중 작업 학습의 효과는 어떠한가?
• RQ3 표현 기반 모델이 훈련 중에 직접 목표로 삼지 않은 질병의 조기 징후를 어느 정도 탐지할 수 있는가?
• RQ4 최소한의 전처리만을 거친 원시로 가공되지 않은 검사 데이터를 사용할 경우, 임상 특징 엔지니어링에 의존하는 모델보다 더 뛰어난 예측 성능을 얻을 수 있는가?
• RQ5 희소하고 비동기적인 임상 검사 데이터에서 시간적 패턴을 포착하는 데 있어 LSTM과 CNN 아키텍처 간의 성능 비교는 어떻게 이루어지는가?

주요 결과

• 제안된 딥러닝 모델은 133개 질환에 걸쳐 질병 발병 예측에서 로지스틱 회귀 기반 모델보다 유의미하게 뛰어난 성능을 보였다.
• LSTM과 두 가지 새로운 CNN 모델은 수동으로 설계된 특징 기반 모델보다 뛰어난 성능을 보이며, 엔드 투 엔드 표현 학습의 가치를 입증하였다.
• 훈련 중에 직접 목표로 삼지 않은 질병까지도 성공적으로 예측하여, 조기 위험 분류에 있어 광범위한 임상적 유용성을 보여주었다.
• 최고 성능을 보인 모델은 대사, 신장, 심혈관계 질환을 포함한 다양한 질환 유형에서 AUC가 일관되게 향상됨을 보였다.
• 기반 모델의 특징 중요도 분석을 통해 당뇨병과 크레아티닌 추세와 같은 임상적으로 타당한 생물학적 마커가 확인되어 예측 작업의 타당성을 뒷받침하였다.
• 연구는 딥러닝 모델이 원시 검사 데이터를 처리함으로써 다질환 예측에 충분한 신호를 포함하고 있음을 확인하였으며, 전문가가 레이블링한 특징에 대한 의존도를 감소시킬 수 있음을 시사한다.