[논문 리뷰] retina-VAE: Variationally Decoding the Spectrum of Macular Disease

Stephen G. Odaibo|arXiv (Cornell University)|2019. 07. 11.

Retinal Imaging and Analysis참고 문헌 39인용 수 4

한 줄 요약

retina-VAE는 환자의 인구통계학적 및 임상 데이터를 포함한 환자 프로필 벡터(pVecs)에서 임상적으로 유의미한 3차원 잠재공간을 학습하는 변동형 오토인코더를 도입하며, 이는 망막 질환의 14개의 생물학적으로 타당한 아형으로 자발적으로 군집화된다. 이러한 군집은 성별, 인종, 연령 및 다발성 병변 유무의 분포에서 잠재적인 질환 아형을 드러내며, anti-VEGF 치료에 대한 개인 맞춤형 반응 가능성을 시사한다.

ABSTRACT

In this paper, we seek a clinically-relevant latent code for representing the spectrum of macular disease. Towards this end, we construct retina-VAE, a variational autoencoder-based model that accepts a patient profile vector (pVec) as input. The pVec components include clinical exam findings and demographic information. We evaluate the model on a subspectrum of the retinal maculopathies, in particular, exudative age-related macular degeneration, central serous chorioretinopathy, and polypoidal choroidal vasculopathy. For these three maculopathies, a database of 3000 6-dimensional pVecs (1000 each) was synthetically generated based on known disease statistics in the literature. The database was then used to train the VAE and generate latent vector representations. We found training performance to be best for a 3-dimensional latent vector architecture compared to 2 or 4 dimensional latents. Additionally, for the 3D latent architecture, we discovered that the resulting latent vectors were strongly clustered spontaneously into one of 14 clusters. Kmeans was then used only to identify members of each cluster and to inspect cluster properties. These clusters suggest underlying disease subtypes which may potentially respond better or worse to particular pharmaceutical treatments such as anti-vascular endothelial growth factor variants. The retina-VAE framework will potentially yield new fundamental insights into the mechanisms and manifestations of disease. And will potentially facilitate the development of personalized pharmaceuticals and gene therapies.

연구 동기 및 목표

• 특히 anti-VEGF 치료가 필요한 유출성 형태를 포함한 망막 질환의 스펙트럼에 대해 임상적으로 의미 있는 잠재 표현을 개발하기 위해.
• 엄격하고 상호 배타적인 질환 분류를 넘어서 지속적이고 개인 맞춤형 질환 스펙트럼 모델로 전환하기 위해.
• 환자 프로필 벡터(pVecs)를 사용하여 잠재적인 생물학적 및 치료적 관련성을 지닌 아형을 식별하기 위해.
• 변동형 오토인코더가 실제 세계 질환 통계를 반영하는 합성 환자 데이터로부터 생물학적으로 의미 있는 군집을 발견할 수 있는지 탐색하기 위해.
• 환자 군집 간 치료 반응의 차이를 식별함으로써 향후 개인 맞춤 약물 및 유전자 치료 개발을 가능하게 하기 위해.

제안 방법

• 3,000개의 합성 6차원 환자 프로필 벡터(pVecs)를 기반으로 변동형 오토인코더(VAE)를 훈련하였으며, 이는 유출성 AMD, CSCR 및 PCV를 나타낸다.
• pVecs에는 연령, 성별, 인종, 다발성 병변 존재 여부, 망막하 출혈 여부, 질환 유형 등의 임상적 발견 및 인구통계학적 변수가 포함되어 있다.
• 모델은 입력 pVecs를 최적으로 재구성할 수 있는 3차원 잠재공간을 학습하며, 아키텍처 선택은 재구성 오차와 훈련 안정성에 기반한다.
• 잠재 벡터가 14개의 그룹으로 자발적으로 군집화되는 것이 관찰되었으며, K-means는 군집 소속을 확인하기 위한 목적 외에는 사용되지 않았다.
• 성별, 인종, 연령, 다발성 병변 유무 및 망막하 출혈 여부에 대한 패턴을 분석하여 생물학적 타당성을 평가하기 위해 군집 특성을 분석하였다.
• 변동형 추론을 활용하여 임상적으로 의미 있는 질환 아형을 인코딩하는 연속적이고 해석 가능한 잠재공간을 생성하였다.

실험 결과

연구 질문

• RQ1 변동형 오토인코더는 망막 질환 스펙트럼을 나타내는 환자 프로필 벡터에서 임상적으로 의미 있는 3차원 잠재공간을 학습할 수 있는가?
• RQ2 잠재 벡터는 알려진 질환 아형 또는 인구통계학적 패턴을 반영하는 생물학적으로 타당한 군집으로 자발적으로 형성되는가?
• RQ3 군집 소속과 성별, 인종, 연령 및 다발성 병변 유무와 같은 임상 변수 간에 일관된 연관성이 존재하는가?
• RQ4 잠재공간은 특히 망막하 혈관신생을 포함한 공통된 병리생리학적 기전을 유출성 AMD, CSCR 및 PCV 간에 포괄할 수 있는가?
• RQ5 식별된 군집은 anti-VEGF 치료에 대한 차별화된 반응을 시사하여 개인 맞춤형 치료 예측을 가능하게 하는가?

주요 결과

• 2차원 또는 4차원 설정에 비해 3차원 잠재공간 아키텍처가 훈련 성능에서 최고를 기록하여 표현력과 일반화 간의 최적 균형을 이룬다.
• 사전 군집 제약 없이도 잠재 벡터가 자발적으로 14개의 구분 가능한 군집으로 형성되었으며, 이는 질환 스펙트럼 내에 내재된 구조가 있음을 시사한다.
• 각 군집은 주요 인구통계학적 및 임상 변수에서 강한 내부 일관성을 보였다. 예를 들어 일부 군집는 모두 남성 또는 모두 여성으로 구성되었으며, 일부는 다른 인종 그룹이 전혀 없는 순수 아시아계였다.
• 군집 1, 4, 6, 8, 11 및 12는 모두 아시아계 환자로 구성되어 있어 인종 기반 질환 아형의 가능성을 시사한다.
• 군집 2, 12 및 14는 가장 낮은 중앙연령(39세)을 보였고, 군집 3, 4, 9 및 8는 가장 높은 중앙연령(78–79세)을 보였으며, 이는 연령 기반 분류가 가능함을 시사한다.
• 망막하 출혈만이 모든 군집에 분포된 범주형 변수였으며, 이는 어떤 한 아형의 정의적 특징이 아님을 의미한다.