[논문 리뷰] Personalized Gaussian Processes for Future Prediction of Alzheimer's Disease Progression

Kelly Peterson, Ognjen Rudovic외 2명|arXiv (Cornell University)|2017. 12. 01.

Health, Environment, Cognitive Aging참고 문헌 24인용 수 14

한 줄 요약

이 논문은 개인화된 가우시안 프로세스(pGP) 모델을 제안하며, 순차적 도메인 적응을 통해 인구 수준의 GP 회귀 모델을 환자 개인에 맞게 조정함으로써 희소하고 다중 모odal한 임상 데이터에서 알츠하이머병 진행도 지표(MMSE, ADAS-Cog13, CDRSB, CS)에 대한 정확하고 확률적인 예측을 가능하게 한다. 이 방법은 환자별 방문력과 자가 회귀 모델링을 활용하여 표준 인구 수준의 GP 모델보다 향후 예측 정확도를 크게 향상시킨다.

ABSTRACT

In this paper, we introduce the use of a personalized Gaussian Process model (pGP) to predict the key metrics of Alzheimer's Disease progression (MMSE, ADAS-Cog13, CDRSB and CS) based on each patient's previous visits. We start by learning a population-level model using multi-modal data from previously seen patients using the base Gaussian Process (GP) regression. Then, this model is adapted sequentially over time to a new patient using domain adaptive GPs to form the patient's pGP. We show that this new approach, together with an auto-regressive formulation, leads to significant improvements in forecasting future clinical status and cognitive scores for target patients when compared to modeling the population with traditional GPs.

연구 동기 및 목표

• 희소하고 이질적이며 다중 모달한 임상 데이터로 인해 개인화된 알츠하이머병 진행도를 예측하는 데 도전하는 문제를 해결하기 위해.
• 시간이 지남에 따라 인구 수준의 추세를 개인 환자에게 맞게 적응시키는 개인화된 모델링 접근법을 개발하기 위해.
• 인구 모델링과 순차적 환자별 적응을 조합하여 주요 AD 지표(MMSE, ADAS-Cog13, CDRSB, CS)의 예측 정확도를 향상시키기 위해.
• 종단적 AD 연구에서 병의 시작 시점의 불확실성과 누락된 데이터로 인한 편향을 줄이기 위해.
• 임상 시험 설계 및 간병 계획을 향상시키기 위해 뇌기능 저하를 더 이르고 정확하게 예측할 수 있도록 하기 위해.

제안 방법

• 1,737명의 ADNI 환자로부터의 다중 모달 데이터(영상, 인지 점수, 뇌척수액, 인구통계학적 정보)를 기반으로 인구 수준의 가우시안 프로세스(GP) 모델을 먼저 훈련한다.
• 새로운 환자에게는 순차적 도메인 적응을 통해 개인화되며, 각 새로운 임상 방문이 가용해질 때마다 GP 사후분포를 업데이트한다.
• pGP 모델은 환자별 사후분포의 변화를 기반으로 미래 지표를 예측하기 위해 자가 회귀 설정을 사용한다.
• 환자 선별은 방문 빈도(≥10회)와 낮은 누락 데이터 비율(≤82.5% 누락 기능)을 기준으로 하여, 충분한 데이터 품질을 확보한 100명의 환자로 구성된 코hort를 도출하였다.
• 모델은 각 방문에서 가용한 기능에 집중하고 GP 회귀를 사용하여 예측의 불확실성을 모델링함으로써 누락된 데이터를 처리한다.
• 모델 개인화는 이전 방문의 사후분포를 기반으로 GP 초모수와 예측 평균/분산을 업데이트하여 수행되며, 이는 동적인 적응을 가능하게 한다.

실험 결과

연구 질문

• RQ1 표준 인구 수준의 GP 모델에 비해 개인화된 GP 모델이 알츠하이머병 진행도 지표의 향후 예측 정확도를 향상시킬 수 있는가?
• RQ2 순차적 도메인 적응은 시간이 지남에 따라 인구 GP 모델을 개인 환자에게 얼마나 효과적으로 맞출 수 있는가?
• RQ3 자가 회귀 설정을 통합함으로써 희소하고 다중 모달한 임상 데이터에 대한 예측 성능은 어느 정도 향상되는가?
• RQ4 높은 수준의 누락 데이터와 변동하는 방문 빈도를 가진 환자에게 적용했을 때 pGP 모델은 어떤 성능을 보이는가?
• RQ5 부분적인 데이터만 존재할 경우에도 pGP 모델은 주요 임상 지표(MMSE, ADAS-Cog13, CDRSB, CS)를 신뢰성 있게 예측할 수 있는가?

주요 결과

• 개인화된 GP 모델은 표준 인구 수준의 GP 모델보다 알츠하이머병 환자에서 향후 인지 및 임상 점수를 예측하는 데 있어 예측 성능을 크게 향상시킨다.
• 이 방법은 새로운 환자 데이터에 동적으로 적응함으로써 정적 인구 모델보다 개인의 진행 경로를 더 효과적으로 포착함으로써 더 높은 예측 정확도를 달성한다.
• 자가 회귀 설정은 특히 희소하거나 불규칙한 방문 일정이 존재할 경우 예측의 안정성과 불확실성 추정을 향상시킨다.
• 모델은 누락된 데이터에 대해 강건성을 보이며, 환자당 최대 82.5%의 기능이 누락된 경우에도 신뢰할 수 있는 예측을 유지한다.
• 방문 빈도와 데이터 완전성 기준을 충족하는 100명의 환자 코hort는 pGP의 예측 능력을 검증하기에 충분한 데이터 품질을 제공하였다.
• 결과적으로 pGP는 질병 진행도의 더 이른 정확한 식별을 가능하게 하며, 이는 임상 시험 참가자 선정 및 간병 계획에 매우 중요하다.