[논문 리뷰] Disease-Atlas: Navigating Disease Trajectories with Deep Learning

Bryan Lim, Mihaela van der Schaar|arXiv (Cornell University)|2018. 03. 27.

Machine Learning in Healthcare참고 문헌 24인용 수 6

한 줄 요약

이 논문은 병변의 종합적 모델링을 향상시키기 위해 깊이 있는 신경망을 활용하여 예측 정확도, 확장성, 불규칙 샘플링에 대한 강건성을 향상시키는 딥러닝 프레임워크인 Disease-Atlas를 소개한다. 이는 평균 제곱 오차를 56% 감소시키고 공존 질환의 AUPRC를 199% 향상시키는 데 성공했으며, 만성 질환에서 질병 경과와 생존 결과의 개인 맞춤형 예측을 가능하게 한다.

ABSTRACT

Joint models for longitudinal and time-to-event data are commonly used in longitudinal studies to forecast disease trajectories over time. While there are many advantages to joint modeling, the standard forms suffer from limitations that arise from a fixed model specification, and computational difficulties when applied to high-dimensional datasets. In this paper, we propose a deep learning approach to address these limitations, enhancing existing methods with the inherent flexibility and scalability of deep neural networks, while retaining the benefits of joint modeling. Using longitudinal data from a real-world medical dataset, we demonstrate improvements in performance and scalability, as well as robustness in the presence of irregularly sampled data.

연구 동기 및 목표

• 기존의 종단면 및 사건 발생 시간 데이터를 위한 공동 모델의 한계, 즉 고정된 모델 사양과 고차원 설정에서의 계산 비효율성을 해결하기 위해.
• 만성 질환에서 생체지표, 공존 질환, 생존 결과 간의 복잡한 시간적 관계를 포착할 수 있는 확장 가능한 딥러닝 프레임워크를 개발하기 위해.
• 누락된 데이터의 보간에 의존하지 않고, 공동 모델 校정을 다중 작업 학습 문제로 공식화하여 불규칙 샘플링된 임상 데이터에 대한 강건성을 향상시키기 위해.
• 임상 의사결정 지원을 위해 질병 진행 상황, 생체지표 경로, 공존 질환 위험도를 포함한 동적이고 개인 맞춤형 예측을 가능하게 하기 위해.
• 특히 낭창성 섬유증과 같은 만성 질환 환자에게 맞춤형 스크리닝 일정을 수립하는 등의 실제 응용 분야에서의 유용성을 입증하기 위해.

제안 방법

• 종단면 생체지표와 사건 발생 시간 결과를 공동으로 모델링하기 위해 엔드 투 엔드로 훈련된, 구체적으로 장기 단기 기억망(LSTM)을 사용한 딥러닝 아키텍처를 제안한다.
• 예측 불확실성의 정량화를 위해 몬테카를로(MC) 드롭아웃을 사용하며, 종단면 및 생존 결과 모두에 대한 예측 분포를 생성한다.
• 불규칙한 시간대에 측정된 다수의 임상 변수 간에 공유된 표현을 학습하는 다중 작업 학습 공식을 적용하여, 누락 데이터의 사전 보간을 피한다.
• 종단면 변수의 예측 분포(예: 평균 및 분산)와 사건 발생 시간 결과의 위험률을 출력하며, 전통적인 공동 모델의 구조를 모방한다.
• 공통된 잠재 표현을 적용하여 관련 질환과 생체지표 간의 의존성을 모델링하고, 공존 질환과 진행 마커의 공동 예측을 가능하게 한다.
• 생존 결과에 대한 음의 로그우도와 종단면 데이터에 대한 평균 제곱 오차를 조합한 손실 함수를 사용하여 모델을 校정하며, 확률적 경사 하강법으로 최적화한다.

실험 결과

연구 질문

• RQ1 표준 공동 모델의 계산 및 모델링 한계를 극복하면서 딥러닝을 종단면 및 사건 발생 시간 데이터의 공동 모델링에 효과적으로 적용할 수 있는가?
• RQ2 실제 데이터셋에서 전통적 공동 모델과 비교해 복잡한 종단면 생체지표와 생존 결과 예측 성능이 어떻게 향상되는가?
• RQ3 다중 작업 학습 공식이 종단면 임상 데이터의 불규칙 샘플링과 누락 데이터에 대해 얼마나 강건한가?
• RQ4 불확실성 추정치를 제공하는 예측을 통해 개인 맞춤형 임상 의사결정, 예를 들어 동적 스크리닝 권고를 지원할 수 있는가?
• RQ5 모델 아키텍처(예: DA-LSTM)가 공존 질환과 생체지표에 대해 예측 성능에 미치는 영향은 무엇인가, 특히 AUPRC와 MSE 측면에서.

주요 결과

• DA-LSTM 모델은 모든 연속 변수에 대해 표준 공동 모델 대비 평균 56% 감소한 평균 제곱 오차(MSE)를 기록하였다.
• 공존 질환 예측에서 DA-LSTM은 표준 공동 모델 대비 AUPRC(정밀도-재현율 곡선 아래 면적)에서 199% 향상되어 극소수의 사건 발생 시나리오에서 뛰어난 성능을 보였다.
• 감염 예측에서 DA-LSTM은 표준 공동 모델 대비 AUPRC를 112% 향상시켜 낮은 빈도의 임상 사건 탐지 능력이 향상되었음을 입증하였다.
• 불규칙 샘플링된 데이터에서도 높은 성능 유지를 유지하였으며, 정확하지 않은 보간으로 인한 편향을 피함으로써 보간 기반 접근법보다 우수한 성능을 보였다.
• 모델은 불확실성 인식 예측을 성공적으로 생성하였으며, MC 드롭아웃에서 유도된 5번째 및 95번째 백분위수 간격이 개인 맞춤 스크리닝 결정을 위한 신뢰할 수 있는 위험 추정치를 제공하였다.
• 실제 적용 사례에서 Disease-Atlas는 낭창성 섬유증 환자에게 5년 내 당뇨병 위험률이 13% 증가할 것으로 예측하여, 더 이른 혹은 더 자주 스크리닝이 필요함을 뒷받침하였다.