[論文レビュー] Positive blood culture detection in time series data using a BiLSTM network

Leen De Baets, Joeri Ruyssinck+5 more|arXiv (Cornell University)|Dec 3, 2016

Time Series Analysis and Forecasting被引用数 6

ひとこと要約

本研究では、72時間にわたる時系列生理的データ（9変数、1時間ごとのサンプリング）を用いて、ICU患者の陽性血液培養を予測するための双方向LSTM（BiLSTM）ネットワークを提案する。モデルは、精度再現率曲線下の面積（AUPRC）が71.95%を達成し、時間的モデリングがベースライン手法に比べて早期に敗血症を検出する能力を向上させることを示している。

ABSTRACT

The presence of bacteria or fungi in the bloodstream of patients is abnormal and can lead to life-threatening conditions. A computational model based on a bidirectional long short-term memory artificial neural network, is explored to assist doctors in the intensive care unit to predict whether examination of blood cultures of patients will return positive. As input it uses nine monitored clinical parameters, presented as time series data, collected from 2177 ICU admissions at the Ghent University Hospital. Our main goal is to determine if general machine learning methods and more specific, temporal models, can be used to create an early detection system. This preliminary research obtains an area of 71.95% under the precision recall curve, proving the potential of temporal neural networks in this context.

研究の動機と目的

• ICUの時系列データにおける時間的モデリングが、陽性血液培養の予測を改善できるかどうかを調査すること。
• 血液培養結果が得られる前における、BiLSTMネットワークの敗血症検出性能を評価すること。
• 深層学習モデルが、逐次的な生理的傾向を活用して早期の臨床意思決定支援を実現できる可能性を評価すること。
• 不均衡なICUデータ上でのBiLSTMモデルと単純なベースラインとの性能を比較すること。

提案手法

• 入力は、1名の患者あたり72時間（1時間ごとのサンプル）にわたる9つの生理的変数（例：体温、心拍数、白血球数）から成る72×9の時系列行列である。
• 事前に定義された生物学的限界外の外れ値は除外された（全データの0.276%）。各変数ごとの平均と標準偏差を用いてzスコア標準化により正規化された。
• 各変数ごとに最小値・最大値・平均値の戦略を用いて、より高い頻度のデータをサブサンプリングするか、平均値（正規化後は0）でパディングすることで、均一な72ポイント長さのシーケンスに再サンプリングされた。
• tanh活性化関数を用いた1層のBiLSTMが使用され、順方向および逆方向にシーケンスを処理することで、長距離の時間的依存性を捉えた。
• 出力は1つの浮動小数点予測スコアであり、閾値を変化させることでクラス確率を導出し、精度再現率曲線を作成した。
• クラス不均衡（陽性例229例、陰性例1948例）に対処するため、誤分類に対するペナルティを陽性例で8倍にした重み付き平均二乗誤差を用いてモデルを学習した。

実験結果

リサーチクエスチョン

• RQ1 72時間の時系列ICUデータを用いたBiLSTMモデルは、陽性血液培養を効果的に検出できるか？
• RQ2 時間的依存性をモデル化することで、非時間的ベースラインに比べて予測性能が向上するか？
• RQ3 不均衡なデータ上でのモデルの性能はいかにか？また、クラスウェイトは稀な陽性例の検出を向上させられるか？
• RQ4 シーケンス長さとサンプリング周波数の予測性能への影響は何か？

主な発見

• BiLSTMモデルは、精度再現率曲線下の面積（AUPRC）が71.95%に達し、ベースラインモデルを著しく上回った。
• 常に多数クラスを予測するベースラインはAUPRCが55.88%であったのに対し、ランダムなクラスバランスはわずか20.00%のAUPRCにとどまった。
• 最適なハイパーパramータは、10個の隠れノードと学習率0.01であり、トレーニングセット上で10分割交差検証を用いて選定された。
• モデルは、ICU患者の陽性血液培養の早期検出において、生理的時系列の時間的モデリングが有効であることを示した。
• 本研究では、深層学習モデルが臨床データ内の逐次的パターンを活用して敗血症の早期診断を支援できることを確認した。
• 結果から、BiLSTMベースのシステムは、早期の血液培養検査を促す意思決定支援ツールとして活用可能であると考えられる。