[논문 리뷰] Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design

Marco Cuturi, Olivier Teboul외 3명|arXiv (Cornell University)|2020. 04. 26.

SARS-CoV-2 detection and testing참고 문헌 46인용 수 16

한 줄 요약

이 논문은 순차적 몽테 카를로(SMC)를 사용해 후행 감염 상태를 근사하고, 탐색적 최적화를 통해 정보성 있는 군집을 선택함으로써 노이즈 있는 적응형 군집 검사에 대한 베이지안 순차 실험 설계 접근법을 제안한다. 이는 기준선 대비 뛰어난 탐지 효율성과 강인성(로버스트니)을 보이며, 특히 노이즈 있는 검사 조건에서 유병률이 낮은 상황에서도 뛰어난 성능을 발휘한다. 또한 기존의 표준 로프리 벨리프 프로파게이션 디코더를 능가한다.

ABSTRACT

When the infection prevalence of a disease is low, Dorfman showed 80 years ago that testing groups of people can prove more efficient than testing people individually. Our goal in this paper is to propose new group testing algorithms that can operate in a noisy setting (tests can be mistaken) to decide adaptively (looking at past results) which groups to test next, with the goal to converge to a good detection, as quickly, and with as few tests as possible. We cast this problem as a Bayesian sequential experimental design problem. Using the posterior distribution of infection status vectors for $n$ patients, given observed tests carried out so far, we seek to form groups that have a maximal utility. We consider utilities such as mutual information, but also quantities that have a more direct relevance to testing, such as the AUC of the ROC curve of the test. Practically, the posterior distributions on $\{0,1\}^n$ are approximated by sequential Monte Carlo (SMC) samplers and the utility maximized by a greedy optimizer. Our procedures show in simulations significant improvements over both adaptive and non-adaptive baselines, and are far more efficient than individual tests when disease prevalence is low. Additionally, we show empirically that loopy belief propagation (LBP), widely regarded as the SoTA decoder to decide whether an individual is infected or not given previous tests, can be unreliable and exhibit oscillatory behavior. Our SMC decoder is more reliable, and can improve the performance of other group testing algorithms.

연구 동기 및 목표

• 낮은 유병률 환경에서 노이즈 있는 검사 조건 하에서도 감염자들을 효율적이고 정확하게 식별하는 데 도전하는 데 목적이 있다.
• 이전 검사 결과와 불확실성 정량화를 바탕으로 동적으로 최적의 검사 군집을 선택하는 적응형 군집 검사 전략을 개발하는 데 목적이 있다.
• 더 신뢰할 수 있는 SMC 기반 후행 분포 근사 방법을 도입함으로써, 특히 로프리 벨리프 프로파게이션 디코더에 비해 성능을 향상시키는 데 목적이 있다.
• 실제 검사 노이즈와 감염률을 반영한 비 점근적, 유한 시간 범위 조건에서의 성능을 평가하는 데 목적이 있다.
• 정보 이론적 및 임상적으로 관련된 지표(예: AUC)가 군집 검사 선택을 이끄는 데 어떻게 기여하는지 보여주는 데 목적이 있다.

제안 방법

• 군집 검사를 베이지안 순차 실험 설계 문제로 재정의하여, 향후 검사 결과의 기대 유틸리티를 최대화하는 방식으로 군집을 선택한다.
• 두 가지 유틸리티 함수를 사용한다: 상호정보량(MIMAX)과 ROC 곡선의 AUC(AUCMAX)이며, 둘 다 탐색적 전진-후진 선택을 통해 최적화된다.
• n명의 개인에 대한 감염 상태에 대한 후행 분포는 게브스 MCMC 커널을 사용한 순차적 몽테 카를로(SMC) 샘플러를 통해 근사된다.
• SMC 샘플러는 가능한 감염 구성 상태를 나타내는 가중치가 부여된 입자 집합(클라우드)을 유지하며, 각 검사 결과 이후에 업데이트된다.
• 감염 유병률과 검사 노이즈(감도 σ, 특이도 s)에 대한 사전 지식을 추론 과정에 통합한다.
• 현재 후행 분포를 바탕으로, 결과적으로 얻어질 검사 결과의 기대 유틸리티를 고려해 다음으로 검사할 개인 군집을 탐색적 최적화기로 선택한다.

실험 결과

연구 질문

• RQ1 기존 방법 대비 노이즈 있는 적응형 군집 검사에서 베이지안 순차 실험 설계 프레임워크가 탐지 효율성을 향상시킬 수 있는가?
• RQ2 실제 검사 환경에서 군집 선택을 이끄는 데 상호정보량과 AUC와 같은 유틸리티 함수는 어떻게 상호 비교될 수 있는가?
• RQ3 신뢰성과 성능 측면에서 SMC 기반 후행 근사 방법이 로프리 벨리프 프로파게이션 디코더를 얼마나 능가하는가?
• RQ4 감염 유병률과 검사 노이즈 파rameter의 잘못된 설정에 대해 제안된 군집 검사 정책은 얼마나 강인한가?
• RQ5 실제 검사 노이즈가 존재하는 비 점근적, 유한 인구집단 설정에서 제안된 방법의 성능 향상은 어느 정도인가?

주요 결과

• 제안된 G-AUCMAX 및 G-MIMAX 정책은 특히 낮은 감염 유병률에서 비효율적이고 비적응형 기준선 대비 탐지 정확도와 검사 효율성 면에서 뚜렷한 우월성을 보인다.
• SMC 기반 디코더는 항상 로프리 벨리프 프로파게이션보다 뛰어나며, 노이즈 있는 조건에서 진동하는 행동과 신뢰할 수 없는 추론을 보이는 반면 SMC는 안정적인 성능을 유지한다.
• 10%의 감염 유병률 조건에서의 시뮬레이션 결과, 개별 검사보다 훨씬 적은 수의 검사를 통해 거의 최적의 탐지 성능을 달성했으며, 일부 시나리오에서는 검사 횟수를 최대 80%까지 줄였다.
• AUC 기반 유틸리티(G-AUCMAX)는 진단 성능 지표를 직접 최적화하므로 임상적 의사결정 요구사항과 더 잘 부합함을 보였다.
• 감염률과 감도의 잘못된 설정에 대해서도 높은 특이도와 민감도를 유지하며 강인함을 입증했다. 다양한 파라미터 설정에서도 일관된 성능을 보였다.
• k=1 설정(한 사이클에 한 번의 검사)에서 G-MIMAX 정책은 높은 특이도를 유지하면서도 가장 낮은 가짜 양성 결과를 동반하며 점진적으로 양성자를 식별했으며, 도르프만 스타일 기준선을 능가했다.