[논문 리뷰] Forecasting Disease Trajectories in Alzheimer's Disease Using Deep Learning

Bryan Lim, Mihaela van der Schaar|arXiv (Cornell University)|2018. 07. 06.

Machine Learning in Healthcare참고 문헌 3인용 수 5

한 줄 요약

이 논문은 알츠하이머병에서 종단적 생체지표 궤적과 사건 발생까지의 시간을 함께 모델링하기 위해 RNN 기반 아키텍처와 MC 드롭아웃을 활용한 불확실성 추정 기능을 갖춘 딥러닝 프레임워크인 Disease-Atlas를 제안한다. ADNI 데이터에서 표준 공동모델과 LSTMs에 비해 종단적 예측에서 최대 40% 낮은 MSE와 치매 전이 예측에서 7% 높은 AUROC를 달성하여 성능이 뛰어나다.

ABSTRACT

Joint models for longitudinal and time-to-event data are commonly used in longitudinal studies to forecast disease trajectories over time. Despite the many advantages of joint modeling, the standard forms suffer from limitations that arise from a fixed model specification and computational difficulties when applied to large datasets. We adopt a deep learning approach to address these limitations, enhancing existing methods with the flexibility and scalability of deep neural networks while retaining the benefits of joint modeling. Using data from the Alzheimer's Disease Neuroimaging Institute, we show improvements in performance and scalability compared to traditional methods.

연구 동기 및 목표

• 기존 종단적 및 사건 발생 시간 데이터의 공동 모델링 기법의 한계, 즉 고정된 모델 사양과 대규모 데이터셋에서의 확장성 문제를 해결하기 위해.
• 질병 진행과 치매 발병에 대한 동적이고 개인 맞춤형 예측을 가능하게 하여 알츠하이머병의 임상적 의사결정 지원을 향상시키기 위해.
• 통계적 엄밀함을 유지하면서도 예측 성능를 향상시킨 유연하고 확장 가능한 딥러닝 프레임워크를 개발하기 위해.
• 실제 ADNI 데이터를 기반으로 한 방법의 유효성을 검증하여 생존 예측 및 종단적 예측 과제에서 뛰어난 성능을 입증하기 위해.

제안 방법

• Disease-Atlas는 종단적 변수와 공변량 간의 시간적 상관관계와 상호상관관계를 모델링하기 위해 공통 시간 인코더로 장기 단기 기억망(LSTM)을 사용한다.
• 연속적인 생체지표(예: MRI 부피) 예측, 이산적인 인지 점수 예측, 사건 발생까지의 시간 예측(예: 치매 전이)을 위한 작업별 전용 레이어를 활용한다.
• 확률적 공동 모델링과의 일관성을 확보하기 위해 RNN의 입력, 메모리 상태, 출력에 몬테카를로(Monte Carlo) 드롭아웃을 적용하여 불확실성 추정을 생성한다.
• 모든 출력 유형의 예측 분포를 통합하는 가능도 기반 손실 함수를 사용하여 엔드 투 엔드 공동 학습을 가능하게 한다.
• 세 부분으로 구성된 아키텍처는 공통 시간 표현 학습, 작업별 표현 학습, 출력 계산 레이어를 분리하여 다중 작업 예측을 수행한다.
• 하이퍼파라미터는 20회 반복의 랜덤 서치를 통해 최적화되며, 데이터는 교차검증을 위해 60% 학습, 20% 검증, 20% 평가로 분할된다.

실험 결과

연구 질문

• RQ1 딥러닝 프레임워크가 표준 공동모델과 순환 신경망에 비해 알츠하이머병 궤적 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ2 Disease-Atlas는 치매 발병과 같은 사건 발생까지의 시간 예측에서 랜드마킹 및 공동모델에 비해 어느 정도 정확도를 향상시키는가?
• RQ3 모델은 다양한 시간 간격에서 종단적 생체지표 변화(예: 해마 위축, 인지 점수) 예측에서 어떻게 성능을 발휘하는가?
• RQ4 몬테카를로 드롭아웃 통합이 공동 모델링에서 예측 성능를 유지하면서도 불확실성 정량화를 향상시키는가?
• RQ5 모델은 유연성이나 해석 가능성 손실 없이 대규모 종단적 데이터셋에 효과적으로 확장될 수 있는가?

주요 결과

• Disease-Atlas는 단기 예측 기간(τ = 0.5에서 2년) 동안 치매 전이 예측에서 표준 공동모델(JM)에 비해 평균 7% 높은 AUROC를 기록했으며, LSTM에 비해서는 10% 높았다.
• 종단적 예측에서는 Disease-Atlas가 공동모델 대비 평균 40% 향상된 성능을 보이며, 모든 생체지표와 시간 단계에서 최대 78%의 평균제곱오차(MSE) 감소를 기록했다.
• AUPRC에서도 일관된 성과를 보였으며, τ = 0.5일 때 평균 AUPRC가 32.6%로 LSTMs(25.6%)와 랜드마킹(27.0%)를 뛰어넘었다.
• 뇌실 부피 예측에서는 JM 대비 78%의 MSE 감소, 해마 위축 예측에서는 63%의 감소를 기록하여 신경퇴행성 변화의 핵심 지표에서 뛰어난 성능을 보였다.
• CDRSB 및 MMSE와 같은 인지 점수 예측에서는 각각 평균 34%와 18%의 MSE 감소를 달성하여 임상 평가 예측에서 강력한 성능을 보였다.
• RAVLT 기억 테스트와 ADAS13을 포함한 다양한 생체지표에서도 높은 성능를 유지했으며, 측정 방법과 시간 간격에 따라 MSE 감소율이 0%에서 35%까지 다양하게 나타났다.