[논문 리뷰] Using Topological Data Analysis for diagnosis pulmonary embolism

Matteo Rucco, Lorenzo Falsetti외 5명|arXiv (Cornell University)|2014. 09. 17.

Clusterin in disease pathology참고 문헌 27인용 수 7

한 줄 요약

이 연구는 결손 데이터를 처리하고 핵심 진단 특징을 식별하기 위해 위상적 데이터 분석(TDA)을 사용하는 새로운 임상 예측 규칙을 제안한다. 이를 바탕으로 백프로파게이션 인공신경망(BP-ANN)에 입력하여 펌질성 혈전색전증(PE) 진단 정확도를 향상시킨다. 기존의 웰스 및 개정 지네바 점수보다 더 높은 수치의 수신기 작동 특성 곡선 아래 면적(AUC)을 기록하여, PE 진단 정확도 향상이 입증되었다.

ABSTRACT

Pulmonary Embolism (PE) is a common and potentially lethal condition. Most patients die within the first few hours from the event. Despite diagnostic advances, delays and underdiagnosis in PE are common.To increase the diagnostic performance in PE, current diagnostic work-up of patients with suspected acute pulmonary embolism usually starts with the assessment of clinical pretest probability using plasma d-Dimer measurement and clinical prediction rules. The most validated and widely used clinical decision rules are the Wells and Geneva Revised scores. We aimed to develop a new clinical prediction rule (CPR) for PE based on topological data analysis and artificial neural network. Filter or wrapper methods for features reduction cannot be applied to our dataset: the application of these algorithms can only be performed on datasets without missing data. Instead, we applied Topological data analysis (TDA) to overcome the hurdle of processing datasets with null values missing data. A topological network was developed using the Iris software (Ayasdi, Inc., Palo Alto). The PE patient topology identified two ares in the pathological group and hence two distinct clusters of PE patient populations. Additionally, the topological netowrk detected several sub-groups among healthy patients that likely are affected with non-PE diseases. TDA was further utilized to identify key features which are best associated as diagnostic factors for PE and used this information to define the input space for a back-propagation artificial neural network (BP-ANN). It is shown that the area under curve (AUC) of BP-ANN is greater than the AUCs of the scores (Wells and revised Geneva) used among physicians. The results demonstrate topological data analysis and the BP-ANN, when used in combination, can produce better predictive models than Wells or revised Geneva scores system for the analyzed cohort

연구 동기 및 목표

• 임상 환경에서 지연 및 부족 진단이 흔한 펌질성 혈전색전증(PE) 진단의 과제를 해결하기 위해.
• 웨일스 및 개정 지네바 점수와 같은 기존 임상 예측 규칙(CPRs)의 한계를 극복하기 위해, 데이터가 불완전하거나 일관되지 않은 데 기인한 문제를 해결하기 위해.
• 기존 특징 선택 방법이 처리할 수 없는 결손 값이 포함된 데이터셋을 처리할 수 있는 견고한 진단 모델을 개발하기 위해.
• 위상적 데이터 분석(TDA)을 활용해 PE 진단에 가장 관련성이 높은 임상 특징을 식별하기 위해.
• TDA로 식별된 특징을 기반으로 백프로파게이션 인공신경망(BP-ANN)을 활용한 예측 모델을 구축하여 진단 성능을 향상시키기 위해.

제안 방법

• 결손 값이 포함된 임상 데이터셋을 분석하기 위해 아이리스 소프트웨어(Ayasdi Inc.)를 사용한 위상적 데이터 분석(TDA)을 적용하여 데이터 삭제 없이 군집화 및 특징 식별이 가능하도록 하였다.
• TDA는 거리 함수와 렌즈 함수를 사용하여 위상 네트워크를 구축하였으며, 분해능 및 이득 파라미터를 조절하여 병합 및 겹침을 제어하여 데이터의 구조와 군집을 드러내었다.
• 위상 네트워크는 PE 환자 집단에서 두 개의 명확한 플레어(군집)를 식별하였고, 건강한 환자 집단 내에서도 하위군을 발견하여 비-PE 병리 상태를 시사하였다.
• TDA 네트워크에서 PE와 관련된 핵심 특징을 추출하여 백프로파게이션 인공신경망(BP-ANN)의 입력으로 사용하였다.
• BP-ANN는 정규화된 입력(범위 [-1, 1]로 스케일링), 학습률 0.5, 동역학 계수 0.9, 총 660 에포크로 훈련되었으며, 출력은 PE 발생 확률로 해석되었다.
• Rulex 2.0 소프트웨어를 사용하여 ANN를 구현하고 평가하였으며, 성능 평가에는 ROC 곡선과 AUC가 사용되었다.

실험 결과

연구 질문

• RQ1 위상적 데이터 분석(TDA)은 결손 값이 포함된 임상 데이터셋에서 의미 있는 환자 하위군과 핵심 진단 특징을 효과적으로 식별할 수 있는가?
• RQ2 TDA 기반의 특징 선택 접근법은 기존 임상 예측 규칙보다 펌질성 혈전색전증(PE)에 대한 더 정확한 예측 모델을 도출할 수 있는가?
• RQ3 TDA로 식별된 특징을 기반으로 훈련된 백프로파게이션 인공신경망(BP-ANN)은 웰스 및 개정 지네바 점수와 같은 기존 점수를 초월하여 PE 진단 성능을 향상시킬 수 있는가?
• RQ4 결손 임상 데이터가 존재하는 상황에서 위상적 데이터 분석과 신경망의 통합이 진단 정확도를 어떻게 향상시키는가?
• RQ5 해당 모델은 실시간 PE 발생 확률 추정을 위한 웹 기반 임상 의사결정 지원 도구로 구현 및 배포될 수 있는가?

주요 결과

• 위상 네트워크는 PE 환자 집단에서 두 개의 명확한 군집을 드러내어 펌질성 혈전색전증의 잠재적 하위형질이 존재할 수 있음을 시사하였다.
• TDA는 비-PE 환자 집단에서도 하위군을 성공적으로 식별하여, PE를 유사하게 보이는 비-PE 관련 질환의 존재 가능성을 시사하였다.
• BP-ANN 모델은 웰스 점수 및 개정 지네바 점수보다 더 높은 수신기 작동 특성 곡선 아래 면적(AUC)을 기록하여, 더 뛰어난 진단 성능을 보였다.
• 이 연구는 TDA가 결손 값이 포함된 데이터셋을 효과적으로 처리할 수 있음을 입증하였으며, 표본 수 감소와 통계적 타당성 저하를 초래하는 리스트와이즈 삭제를 피할 수 있음을 보여주었다.
• BP-ANN 모델의 웹 기반 버전이 공개되어 cuda.unicam.it에서 임상적 활용을 위해 공개되어 있다.
• TDA와 BP-ANN의 통합은 기존 방법보다 뛰어난 성능을 보이는 새로운 임상 예측 규칙을 도출하였다.