[論文レビュー] What-If Reasoning using Counterfactual Gaussian Processes

Peter Schulam, Suchi Saria|arXiv (Cornell University)|Jan 1, 2017

Gaussian Processes and Bayesian Inference被引用数 4

ひとこと要約

本稿では、観測データを用いて仮想的介入下での連続的時間系列の反実仮想的軌道を学習するモデルとして、反実仮想的ガウス過程（CGP）を提案する。潜在的結果フレームワークと連合最尤推定を活用し、臨床的治験を要しないまま、透析の種類など治療効果を評価する自然な疾患進行をモデル化する。

ABSTRACT

Answering What if? questions is important in many domains. For example, would a patient's disease progression slow down if I were to give them a dose of drug A? Ideally, we answer our question using an experiment, but this is not always possible (e.g., it may be unethical). As an alternative, we can use non-experimental data to learn models that make counterfactual predictions of what we would observe had we run an experiment. In this paper, we propose the counterfactual GP, a counterfactual model of continuous-time trajectories (time series) under sequences of actions taken in continuous-time. We develop our model within the potential outcomes framework of Neyman and Rubin. The counterfactual GP is trained using a joint maximum likelihood objective that adjusts for dependencies between observed actions and outcomes in the training data. We report two sets of experimental results using the counterfactual GP. The first shows that it can be used to learn the natural progression (i.e. untreated progression) of biomarker trajectories from observational data. In the second, we show how the CGP can be used for medical decision support by learning counterfactual models of renal health under different types of dialysis.

研究の動機と目的

• ランダム化比較試験が倫理的または現実的に行えない分野（例：臨床医学）において「もしも〜ならば？」という問いに答える挑戦に取り組むこと。
• 観測データのみを用いて、未観測の介入下での連続的時間のバイオマーカー時系列の反実仮想的軌道をモデル化すること。
• 観測時間系列データから、治療を受けていない（自然な）疾患進行を学習すること。
• 透析療法の順序など異なる治療シーケンスの下での予測結果を提供することで、医療意思決定を支援すること。

提案手法

• 反実仮想的推論を形式化するために、Neyman-Rubinの潜在的結果フレームワークを採用する。
• ガウス過程を用いて、異なる行動シーケンス下での結果の連続的時間的軌道をモデル化する。
• 訓練データにおける観測された行動と結果の依存関係を考慮するため、連合最尤目的関数を用いる。
• 観測された軌道と行動シーケンスに条件づけることで、自然な進行と仮想的介入効果の両方を学習する。
• 訓練データに存在しない代替の行動シーケンス下での結果を推論することで、反実仮想的予測を生成する。
• 事実的および反実仮想的整合性を同時に最適化できるエンドツーエンドの学習が可能である。

実験結果

リサーチクエスチョン

• RQ1 CGPは、純粋に観測データからバイオマーカー時系列の自然な進行を正確に回復できるか？
• RQ2 異なる仮想的治療シーケンス（例：透析の種類の変更）下でのCGPの反実仮想的予測はどの程度正確か？
• RQ3 観測時間系列において、行動と結果の間の交絡要因を、モデルはどの程度適切に扱っているか？
• RQ4 未試行の介入の効果をシミュレートすることで、CGPは臨床的意思決定支援に寄与できるか？

主な発見

• CGPは、介入なしの状態におけるバイオマーカー時系列の自然な進行を、観測データから正確に学習でき、介入なしの疾患進行のモデリングが可能である。
• 本モデルは、さまざまな仮想的透析療法シナリオ下で妥当な反実仮想的軌道を生成でき、腎臓病ケア分野における医療意思決定支援を支援する。
• 行動と結果を同時にモデル化することで、CGPは観測時間系列における交絡要因を効果的に補正し、反実仮想的予測の精度を向上させる。
• 実験的データが入手不能であっても、連続時間における「もしも〜ならば？」シナリオの信頼性のあるシミュレーションが可能である。