[논문 리뷰] A temporal model for multiple sclerosis course evolution

Samuele Fiorini, Andrea Tacchino외 3명|arXiv (Cornell University)|2016. 01. 01.

Multiple Sclerosis Research Studies참고 문헌 3인용 수 1

한 줄 요약

이 논문은 환자 보고 기반 결과 측정법(PROMs)을 사용하여 다발성 경화증(MS)의 질환 진행 경로, 특히 복발-완화기(RR)에서 제2차 진행기(SP) MS로의 전이를 예측하는 정규화된 기계학습 파이프라인을 제안한다. 이 방법은 진단을 위한 이진 분류와 PROMs의 시간적 변화를 위한 벡터-값 회귀를 조합하여 실제 DETECT-MS PRO 연구의 실생활 데이터에서 향후 질환 경로 예측의 일치도가 80.3%에 도달하였다.

ABSTRACT

Multiple Sclerosis is a degenerative condition of the central nervous system that affects nearly 2.5 million of individuals in terms of their physical, cognitive, psychological and social capabilities. Researchers are currently investigating on the use of patient reported outcome measures for the assessment of impact and evolution of the disease on the life of the patients. To date, a clear understanding on the use of such measures to predict the evolution of the disease is still lacking. In this work we resort to regularized machine learning methods for binary classification and multiple output regression. We propose a pipeline that can be used to predict the disease progression from patient reported measures. The obtained model is tested on a data set collected from an ongoing clinical research project.

연구 동기 및 목표

• 현재 명확한 생물학적 지표나 기준이 없는 다발성 경화증(MS)의 복발-완화기(RR)에서 제2차 진행기(SP)로의 전이를 예측하는 데 있어 중요한 임상적 격차를 해결하기 위해.
• 환자 보고 기반 결과 측정법(PROMs)이 MS 질환 경로의 진전을 신뢰할 만한 예측 요소로 기능할 수 있는지 조사하기 위해.
• 종단적 PROMs 데이터를 활용하여 초기 예후를 위한 데이터 기반이고 해석 가능한 기계학습 파이프라인을 개발하고 검증하기 위해.
• 저비용이고 환자에게 친화적인 평가 기반으로 시기적절한 임상 결정을 지원하는 정량적 의사결정 지원 시스템을 구축하기 위해.

제안 방법

• 파이프라인은 이중 단계 학습을 사용한다: 첫째, 정규화된 이진 분류기(f)가 PROMs 데이터를 사용하여 질환 경로(RR 대비 SP)를 예측한다.
• 둘째, 혼합 L2,1-노름 정규화를 사용하여 종단적 데이터에서 PROMs의 시간적 변화를 학습하는 벡터-값 회귀 모델(g)을 사용한다.
• 모델은 학습 세트(t = 1에서 T′ = 4개 시간 포인트)에서 학습되고, 향후 시간 포인트(t = 5에서 6)에서 테스트된다.
• 최종 예후 모델 f ◦ g는 PROMs 변화(g)와 질환 진단(f)을 조합하여 향후 질환 경로를 예측한다.
• 볼록이고 미분 가능한 손실 함수와 비미분 가능한 정규화 페널티를 갖는 정규화된 최소화 문제를 해결하기 위해 프록실 링 근사 최적화를 사용한다.
• L2,1-노름 정규화는 가중치 행렬에서 행 방향으로의 희박성(스패arsity)을 촉진하여 예측에 가장 유용한 PROMs만을 선별한다.

실험 결과

연구 질문

• RQ1 환자 보고 기반 결과 측정법(PROMs)이 복발-완화기에서 제2차 진행기 MS로의 전이를 신뢰성 있게 예측할 수 있는가?
• RQ2 어떤 기계학습 접근 방식이 종단적 PROMs 데이터에서 MS 질환 경로 진전을 정확하고 해석 가능하며 일반화 가능한 방식으로 예측할 수 있는가?
• RQ3 분류와 벡터-값 회귀를 조합한 이중 단계 파이프라인이 단일 모델 접근 방식에 비해 예측 정확도를 향상시킬 수 있는가?
• RQ4 PROMs 데이터는 MS 진행 예측에서 명확한 임상적 또는 영상 생물학적 지표가 부족한 상황에서 어느 정도 보완할 수 있는가?

주요 결과

• 제안된 파이프라인은 최종 시간 포인트(t = 6)에서 예측된 질환 경로와 임상적으로 할당된 경로 간 일치도가 80.3%를 기록하였다.
• 질환 진단을 위한 이진 분류 모델은 100번의 몬테카를로 재표본화에서 평균 균형 정확도가 80.0% (±1.0%)를 달성하였다.
• L2,1-노름 정규화를 통한 강력한 특징 선택 덕분에 총 145개의 PROMs 중에서 질환 경로 예측에 가장 유용한 16개의 PROMs를 식별하였다.
• 벡터-값 회귀 모델은 테스트 환자에 대한 PROMs의 시간적 변화를 성공적으로 예측하여 정확한 후속 예후를 가능하게 하였다.
• 이 시스템은 임상 생물학적 지표가 명확하지 않은 상황에서도 PROMs 데이터만으로도 신뢰할 만한 초기 MS 진행 예측이 가능하다는 것을 입증하였다.
• 결과는 이 파이프라인이 MS 관리의 임상적 실천에서 정량적 의사결정 지원 도구로 활용될 수 있음을 시사한다.