[論文レビュー] Unlocking datasets by calibrating populations of models to data density: a study in atrial electrophysiology

Brodie Lawson, Christopher Drovandi+4 more|arXiv (Cornell University)|Jun 21, 2017

Cardiac electrophysiology and arrhythmias参考文献 52被引用数 14

ひとこと要約

本論文は、実験データセットの全データ密度分布に、モデル集団（POM）をキャリブレーションするための新規手法を提案する。範囲のみを考慮する従来の手法とは異なり、メトロポリス補正を施したリファインメントプロセスを用いて、モデル出力分布と実測データの間の発散測度（ρ）を最小化することで、洞調動と慢性心房細動患者の間の差を含む、心房電気生理学データにおける複雑なばらつきを正確に捉える。

ABSTRACT

The understanding of complex physical or biological systems nearly always requires a characterisation of the variability that underpins these processes. In addition, the data used to calibrate such models may also often exhibit considerable variability. A recent approach to deal with these issues has been to calibrate populations of models (POMs), that is multiple copies of a single mathematical model but with different parameter values. To date this calibration has been limited to selecting models that produce outputs that fall within the ranges of the dataset, ignoring any trends that might be present in the data. We present here a novel and general methodology for calibrating POMs to the distributions of a set of measured values in a dataset. We demonstrate the benefits of our technique using a dataset from a cardiac atrial electrophysiology study based on the differences in atrial action potential readings between patients exhibiting sinus rhythm (SR) or chronic atrial fibrillation (cAF) and the Courtemanche--Ramirez--Nattel model for human atrial action potentials. Our approach accurately captures the variability inherent in the experimental population, and allows us to identify the differences underlying stratified data as well as the effects of drug block.

研究の動機と目的

• 既存のPOMキャリブレーション手法が観測値の範囲にのみ注目するという限界を是正すること。
• 実験データの全多次元密度にPOMをキャリブレーションする汎用的フレームワークの開発。
• 患者サブグループ間の生理的差（例：洞調動対慢性心房細動）のより正確な同定を可能にすること。
• 相関関係や非一様密度パターンといった複雑なデータ特徴を捉えることで、モデルの忠実度を向上させること。
• 最大上昇速度などの測定誤差の大きいバイオマーカーを低重み化することで、標的的なリファインメントを可能にすること。

提案手法

• Kullback–Leibler発散を用いて、実測データ密度とモデル出力分布の間の発散測度ρを定義する。
• 初期の妥当性を保証するため、初期に逐次モンテカルロ（SMC）を用いてPOMを抽出する。
• ρを最小化するために、繰り返しモデルを削除または再挿入するメトロポリス補正付きマルコフ連鎖モンテカルロ（MCMC）リファインメントプロセスを適用する。
• 探索と収束のバランスを図るため、メトロポリス受容確率に固定温度T = 0.1を設定する。
• ρが見つかった最良値を1%以上上回った場合、1000ステップごとにリセット機構を実装し、耐障害性を確保する。
• 性能行列の行と列をゼロにすることで、問題のあるバイオマーカー（例：最大上昇速度）の影響を軽減する、修正された発散測度ρ̂を導入する。

実験結果

リサーチクエスチョン

• RQ1 POMは、観測値の範囲ではなく、全データ密度分布に適合させることができるか？
• RQ2 データ密度を用いたPOMのリファインメントは、患者サブグループ間の生理的差の同定をどのように向上させるか？
• RQ3 特定バイオマーカー（例：最大上昇速度）の測定誤差がPOMキャリブレーションに与える影響は何か、そしてその影響をどのように軽減できるか？
• RQ4 本手法は、相関関係や非一様密度パターンといった複雑なデータ構造を、実験的電気生理学データに正しく捉えられるか？
• RQ5 基礎モデルが重要なバイオマーカーをうまく予測できない場合、リファインメントプロセスはどのように動作するか？

主な発見

• 提案手法は、範囲ベースの手法が見逃す非超長方形の分布を含む、複雑な全データ密度にPOMをキャリブレーションすることに成功した。
• リファインされたPOMは、洞調動と慢性心房細動患者の心房電気生理学データのばらつきを正確に反映している。
• 本手法は、Courtemanche–Ramirez–Nattel（CRN）モデルが最大上昇速度の観測分布を予測できないことを特定したが、これは測定誤差に起因する可能性が高い。
• 最大上昇速度を発散測度で低重み化することで、他のバイオマーカーの適合度が向上したが、全体の集団構造は歪められなかった。
• 最終的なPOMは、SRとcAFサブグループ間でイオンチャネル電導度に顕著な差を示しており、既知の電気生理学的リモデリングと整合的である。
• リセット機構のおかげで、本手法は耐障害性と収束性を示し、集団サイズをデータポイント数以上に維持することで統計的有意性を保った。