[논문 리뷰] Unlocking datasets by calibrating populations of models to data density: a study in atrial electrophysiology

Brodie Lawson, Christopher Drovandi외 4명|arXiv (Cornell University)|2017. 06. 21.

Cardiac electrophysiology and arrhythmias참고 문헌 52인용 수 14

한 줄 요약

이 논문은 기존 방법이 관측된 값의 범위에만 초점을 맞추는 데 반해, 실험 데이터셋의 전체 데이터 밀도 분포에 모델 집합(POM)을 校정하는 새로운 방법을 제안한다. 메트로폴리스 조정을 거친 반복적 개선 과정을 통해 모델 출력 분포와 실측 데이터 간의 발산 측도(ρ)를 최소화함으로써, 심방 전기생리학 데이터의 복잡한 변동성을 정확히 포착할 수 있다. 이는 심방 조율과 만성 심방 fibrillation 환자 간의 차이를 포함한다.

ABSTRACT

The understanding of complex physical or biological systems nearly always requires a characterisation of the variability that underpins these processes. In addition, the data used to calibrate such models may also often exhibit considerable variability. A recent approach to deal with these issues has been to calibrate populations of models (POMs), that is multiple copies of a single mathematical model but with different parameter values. To date this calibration has been limited to selecting models that produce outputs that fall within the ranges of the dataset, ignoring any trends that might be present in the data. We present here a novel and general methodology for calibrating POMs to the distributions of a set of measured values in a dataset. We demonstrate the benefits of our technique using a dataset from a cardiac atrial electrophysiology study based on the differences in atrial action potential readings between patients exhibiting sinus rhythm (SR) or chronic atrial fibrillation (cAF) and the Courtemanche--Ramirez--Nattel model for human atrial action potentials. Our approach accurately captures the variability inherent in the experimental population, and allows us to identify the differences underlying stratified data as well as the effects of drug block.

연구 동기 및 목표

• 기존 POM 校정 방법이 데이터의 범위만 고려하는 한계를 해결하기 위해.
• 실험 데이터의 전체 다변량 밀도에 POM을 校정하기 위한 일반화 가능한 프레임워크를 개발하기 위해.
• 특정 환자 집단 간의 생리학적 차이(예: 심방 조율 대 만성 심방 fibrillation)를 더 정확히 식별할 수 있도록 하기 위해.
• 상관관계와 비균일한 밀도 패턴과 같은 복잡한 데이터 특징을 포착함으로써 모델의 정밀도를 향상시키기 위해.
• 측정 오차가 높은 생물학적 지표(예: 최대 상승 속도)를 가중치를 낮춰 타깃된 개선을 가능하게 하기 위해.

제안 방법

• Kullback–Leibler 발산을 사용하여 실측 데이터 밀도와 모델 출력 분포 간의 발산 측도 ρ를 정의한다.
• 초기 탐색 가능성을 확보하기 위해 순차 몬테카를로(Sequential Monte Carlo, SMC) 방법을 활용해 초기 POM을 선정한다.
• ρ를 최소화하기 위해 반복적으로 모델를 제거하거나 재도입하는 메트로폴리스 조정을 거친 마르코프 체인 몬테카를로(Metropolis-adjusted Markov chain Monte Carlo, MCMC) 개선 과정을 적용한다.
• 탐색과 수렴의 균형을 맞추기 위해 메트로폴리스 수용 확률에서 온도 T = 0.1을 고정한다.
• ρ가 발견된 최良 값보다 1% 이상 초과할 경우 매 1000단계마다 재시작 메커니즘을 구현하여 강건성을 확보한다.
• 성능 행렬에서 해당 지표의 행과 열을 0으로 설정함으로써 문제적 지표(예: 최대 상승 속도)의 영향을 감소시키기 위해 수정된 발산 측도 ρ̂를 도입한다.

실험 결과

연구 질문

• RQ1 POM은 관측된 값의 범위가 아니라 전체 데이터 밀도 분포에 맞춰 校정될 수 있는가?
• RQ2 데이터 밀도를 활용한 POM 개선 과정은 환자 집단 간 생리학적 차이를 식별하는 데 어떻게 기여하는가?
• RQ3 특정 생물학적 지표(예: 최대 상승 속도)의 측정 오차는 POM 校정에 어떤 영향을 미치며, 이를 어떻게 완화할 수 있는가?
• RQ4 이 방법은 실험 전기생리학 데이터에서 상관관계와 비균일한 밀도 패턴과 같은 복잡한 데이터 구조를 탐지하고 반영할 수 있는가?
• RQ5 기본 모델이 핵심 생물학적 지표를 잘 예측하지 못할 경우, 개선 과정은 어떻게 작동하는가?

주요 결과

• 제안된 방법은 범위 기반 방법이 놓치는 복잡한 비초직각형 분포까지 포함하여 POM을 전체 데이터 밀도에 정확히 校정하는 데 성공했다.
• 개선된 POM은 심방 조율과 만성 심방 fibrillation 환자에서의 심방 전기생리학 데이터 변동성을 정확히 반영한다.
• 이 방법은 Courtemanche–Ramirez–Nattel(CRN) 모델이 관측된 최대 상승 속도 분포를 예측하지 못함을 밝혀내었으며, 이는 측정 오차의 영향일 가능성이 높다.
• 최대 상승 속도를 발산 측도에서 가중치를 낮춤으로써, 다른 생물학적 지표의 적합도는 향상시키면서 전체 인구집단의 구조는 왜곡하지 않았다.
• 최종 POM은 SR 및 cAF 집단 간의 이온 채널 도전도에 명백한 차이를 드러내었으며, 이는 알려진 전기생리학 재편성과 일치한다.
• 재시작 메커니즘을 통해 강건성과 수렴성을 입증하였고, 통계적 의미를 유지하기 위해 데이터 포인트 수 이상의 인구집단 크기를 유지하였다.