[論文レビュー] Opportunities in Machine Learning for Healthcare.

Marzyeh Ghassemi, Tristan Naumann+3 more|arXiv (Cornell University)|Jun 1, 2018

Machine Learning in Healthcare被引用数 59

ひとこと要約

この論文は、電子歴史記録（EHRs）への機械学習の適用における主な課題、例えば疾病ラベルの質の低さ、疾患亜型の多様性、健康な個体の不均衡な代表性を特定し、臨床データモデリングとアウトカムの向上に向けた機械学習研究者向けの的を射た手法の機会を提案する。

ABSTRACT

Modern electronic health records (EHRs) provide data to answer clinically meaningful questions. The growing data in EHRs makes healthcare ripe for the use of machine learning. However, learning in a clinical setting presents unique challenges that complicate the use of common machine learning methodologies. For example, diseases in EHRs are poorly labeled, conditions can encompass multiple underlying endotypes, and healthy individuals are underrepresented. This article serves as a primer to illuminate these challenges and highlights opportunities for members of the machine learning community to contribute to healthcare.

研究の動機と目的

• 電子歴史記録（EHRs）への機械学習の適用における独自の課題、特に不一致な疾病ラベル付けと疾患の多様性を浮き彫りにする。
• EHRデータセットにおける健康な個体の不均衡な代表性が、モデルの一般化を複雑にするという点を扱う。
• 患者のアウトカムを改善できる臨床的に意味のある問題へ、機械学習研究者を導くこと。
• 機械学習の手法と医療分野の現実の臨床データの複雑さの間のギャップを埋めること。

提案手法

• EHRにおける不正確な条件のラベリングに対応するため、機械学習手法を再設計し、頑健な表現学習に焦点を当てる。
• 1つの臨床的診断内に複数の根本的病態（エンドオタイプ）を同定できるモデルの開発を奨励する。
• EHRにおける健康な患者レコードの不足を補うために、データ拡張および合成サンプリング戦略の開発を提唱する。
• 限られた臨床アノテーションでモデル性能を向上させるために、弱い監督とマルチタスク学習の活用を推奨する。
• 医療応用におけるモデル設計において、解釈可能性と臨床的妥当性の重要性を強調する。
• 技術的解決策を臨床的ニーズと一致させるために、機械学習研究者と臨床医の協働を呼びかける。

実験結果

リサーチクエスチョン

• RQ1 どのようにして機械学習モデルをEHRにおける不正確なラベリングに対して頑健にすることができるか？
• RQ2 EHRデータにおいて、1つの疾患カテゴリ内に複数のエンドオタイプを効果的に同定する方法は何か？
• RQ3 どのようにして、EHRデータセットにおける代表が不十分な健康な集団に一般化できるモデルを訓練できるか？
• RQ4 医療応用における臨床的解釈可能性と妥当性を向上させるために、どのような機械学習技術が有効か？
• RQ5 機械学習研究者と臨床医の協働を最適化することで、現実の医療課題に対処するにはどうすればよいか？

主な発見

• EHRにおける機械学習の応用は、不一致で不完全な疾病ラベル付けのため、新たなモデリングアプローチを必要としている。
• 複数の根本的生物学的亜型（エンドオタイプ）を有する疾患は、標準的な分類モデルに挑戦をもたらし、より洗練された表現学習の必要性を生じさせる。
• EHRデータにおける健康な個体の不均衡な代表性は、モデルの一般化を制限しバイアスを増大させるため、ターゲットを絞ったデータ戦略が不可欠である。
• 既存の機械学習手法はしばしば臨床的複雑性を考慮せず、ドメインに裏付けられたアルゴリズム設計の必要性が生じる。
• 研究者が正確さと臨床的解釈可能性の両方を備えたモデルを開発することで、機械学習研究者に貢献の機会がある。
• 現実の医療課題に対処するには、ML研究者と臨床チームによる協働的で問題志向の研究が不可欠である。