[논문 리뷰] Towards Personalized Modeling of the Female Hormonal Cycle: Experiments with Mechanistic Models and Gaussian Processes

Iñigo Urteaga, David J. Albers외 4명|arXiv (Cornell University)|2017. 11. 30.

Gaussian Processes and Bayesian Inference참고 문헌 17인용 수 4

한 줄 요약

이 논문은 검증된 기계적 모델에서 유도된 시뮬레이션 데이터를 활용하여 여성의 호르몬 주기 예측을 개인화하기 위해 가우시안 프로세스 모델(GPMs)을 제안한다. 결과적으로 최소 두 개의 호르몬 피크가 학습 데이터에 포함된 경우 GPMs는 주기 단계를 정확하게 재구성하고 예측할 수 있으며, 노이즈에 대해 강건하지만 샘플링 주파수와 피크 관측에 민감함을 보이며, 침습적 측정을 최소화하기 위해 정보 기반의 체계적 샘플링의 가치를 입증한다.

ABSTRACT

In this paper, we introduce a novel task for machine learning in healthcare, namely personalized modeling of the female hormonal cycle. The motivation for this work is to model the hormonal cycle and predict its phases in time, both for healthy individuals and for those with disorders of the reproductive system. Because there are individual differences in the menstrual cycle, we are particularly interested in personalized models that can account for individual idiosyncracies, towards identifying phenotypes of menstrual cycles. As a first step, we consider the hormonal cycle as a set of observations through time. We use a previously validated mechanistic model to generate realistic hormonal patterns, and experiment with Gaussian process regression to estimate their values over time. Specifically, we are interested in the feasibility of predicting menstrual cycle phases under varying learning conditions: number of cycles used for training, hormonal measurement noise and sampling rates, and informed vs. agnostic sampling of hormonal measurements. Our results indicate that Gaussian processes can help model the female menstrual cycle. We discuss the implications of our experiments in the context of modeling the female menstrual cycle.

연구 동기 및 목표

• 개인의 변동성을 고려한 여성 호르몬 주기 예측을 위한 개인화된 기계학습 모델 개발
• 제한된, 노이즈가 있는, 또는 불규칙하게 샘플링된 데이터로부터 호르몬 동역학을 재구성하고 예측하는 데에 가우시안 프로세스 회귀(GPM)의 가능성을 평가하기
• 샘플링 주파수, 측정 노이즈, 학습 데이터 선택 방식(정보 기반 대비 무작위 샘플링)이 생리주 단계 예측 정확도에 미치는 영향 조사하기
• 임상 및 진단 적용을 위한 최소한의 침습성과 높은 예측 성능을 동시에 확보할 수 있는 데이터 요구 조건 규명하기
• 향후 모델에 임상적 특성 변수(예: 증상, 행동)를 호르몬 데이터와 통합하기 위한 기초 마련하기

제안 방법

• 검증된 여성 호르몬 주기 기계적 모델(Clark et al., 2011)을 사용하여 기초 데이터로 사용할 실제적인 시뮬레이션 호르몬 시계열 데이터를 생성하였다.
• 실제 측정 조건을 시뮬레이션하기 위해 시뮬레이션 데이터에 가우시안 노이즈를 추가하고, 다운샘플링을 수행하였다.
• 시간을 입력으로, 열악한 관측 데이터를 학습 데이터로 사용하여 각 호르몬별로 가우시안 프로세스 모델(GPM)을 학습시켰다.
• 호르몬 동역학의 부드럽고 주기적인 특성을 반영하기 위해 합리적 제곱 및 주기적 커널 함수의 조합을 사용하였다.
• 균치와 표준편차 기반 임계값을 활용한 히وري스틱 기반 방법으로 호르몬 최소값과 최대값을 탐지하여 주기 단계를 식별하였다.
• 예측 정확도는 각 단계에서 정답 데이터와 일치하는 예측 일수의 비율로 평가하였다.

실험 결과

연구 질문

• RQ1 가우시안 프로세스 모델은 제한된, 노이즈가 있는, 또는 불규칙하게 샘플링된 데이터로부터 호르몬 수치와 생리주 단계를 정확하게 재구성하고 예측할 수 있는가?
• RQ2 가우시안 프로세스 모델의 성능은 샘플링 주파수와 측정 노이즈의 변화에 얼마나 민감한가?
• RQ3 피크와 같은 주요 호르몬 사건을 목표로 하는 정보 기반 샘플링이 무작위 또는 균일 샘플링보다 예측 정확도를 향상시키는가?
• RQ4 신뢰할 수 있는 단계 예측을 위해 학습 데이터에 최소 몇 개의 호르몬 피크가 필요한가?
• RQ5 개인화된 GPM은 생식 기능 장애가 있는 개인의 경우에도 호르몬 주기 내 임상적 특성 패턴을 식별하는 데 사용될 수 있는가?

주요 결과

• 최소 두 번의 완전한 호르몬 주기와 함께 관측된 피크가 포함된 경우, 가우시안 프로세스 모델은 호르몬 수치와 생리주 단계를 정확하게 예측할 수 있다.
• 주 2회 이하의 샘플링조차도 노이즈가 없더라도 예측 정확도가 크게 떨어지며, 이는 임계 샘플링 주파수를 시사한다.
• GPM은 중간 수준의 측정 노이즈에 대해 강건하지만, 릴레인 펄스와 같은 주요 호르몬 피크가 노이즈에 의해 가림을 당하면 성능이 저하된다.
• 학습 간격 내에서 최소한 하나의 피크 측정(예: LH 펄스)이 존재하는 것이 해당 단계의 정확한 예측을 위해 필수적이며, 이는 정보 기반 샘플링의 중요성을 강조한다.
• 피크 사건을 목표로 하는 정보 기반 샘플링은 균일하거나 무작위 샘플링보다 더 정확한 예측을 가능하게 하며, 더 적은 수의 전략적 위치 측정만으로도 충분할 수 있음을 시사한다.
• 모델은 침습적이지 않은 개인화된 호르몬 주기 모델링의 가능성을 입증하였으며, 향후 증상 및 행동과 같은 임상적 특성 변수 통합 가능성도 보여준다.