[论文解读] A temporal model for multiple sclerosis course evolution

Samuele Fiorini, Andrea Tacchino+3 more|arXiv (Cornell University)|Jan 1, 2016

Multiple Sclerosis Research Studies参考文献 3被引用 1

一句话总结

本论文提出了一种正则化机器学习流程，利用患者报告的结局指标（PROMs）预测多发性硬化症（MS）疾病进展——特别是从复发缓解型（RR）向继发进展型（SP）MS的转变。该方法结合了用于诊断的二分类模型和用于PROMs时间演变的向量值回归模型，在DETECT-MS PRO研究的真实世界数据中，预测未来疾病进展的符合度达到80.3%。

ABSTRACT

Multiple Sclerosis is a degenerative condition of the central nervous system that affects nearly 2.5 million of individuals in terms of their physical, cognitive, psychological and social capabilities. Researchers are currently investigating on the use of patient reported outcome measures for the assessment of impact and evolution of the disease on the life of the patients. To date, a clear understanding on the use of such measures to predict the evolution of the disease is still lacking. In this work we resort to regularized machine learning methods for binary classification and multiple output regression. We propose a pipeline that can be used to predict the disease progression from patient reported measures. The obtained model is tested on a data set collected from an ongoing clinical research project.

研究动机与目标

• 为解决当前缺乏明确生物标志物或标准的临床关键问题，即预测多发性硬化症从RR向SP转变的临床难题。
• 探究患者报告的结局指标（PROMs）是否可作为MS疾病进展演变的可靠预测因子。
• 开发并验证一种基于数据驱动、可解释的机器学习流程，利用纵向PROMs数据实现MS进展的早期预后评估。
• 构建一种定量决策支持系统，基于低成本、以患者为中心的评估，支持及时的临床决策。

提出的方法

• 该流程采用两阶段学习：首先，使用PROMs数据的正则化二分类模型（f）预测疾病分期（RR与SP）。
• 其次，使用混合L2,1-范数正则化的向量值回归模型（g）从纵向数据中学习PROMs的时间演变规律。
• 模型在学习集（t = 1 至 T′ = 4 个时间点）上进行训练，并在后续时间点（t = 5 至 6）上进行测试。
• 最终的预后模型 f ◦ g 通过结合PROMs演变（g）与疾病诊断（f）来预测未来疾病分期。
• 采用近端梯度优化方法求解带凸可微损失函数和不可微正则化惩罚项的正则化最小化问题。
• L2,1-范数正则化在权重矩阵中促进行级稀疏性，仅选择最具信息量的PROMs用于预测。

实验结果

研究问题

• RQ1 患者报告的结局指标（PROMs）能否可靠预测从复发缓解型向继发进展型MS的转变？
• RQ2 何种机器学习方法可实现对MS疾病进展演变的准确、可解释且可泛化的预测，基于纵向PROMs数据？
• RQ3 结合分类与向量值回归的两阶段流程是否能相比单模型方法提高预测准确性？
• RQ4 PROMs数据在多大程度上可弥补临床或影像学生物标志物不明确的缺陷，用于预测MS进展？

主要发现

• 所提出的流程在最终时间点（t = 6）实现了80.3%的预测结果与临床诊断分期的一致性。
• 用于疾病诊断的二分类模型在100次蒙特卡洛重采样中，平均平衡准确率达到80.0%（±1.0%）。
• 模型从145个PROMs中识别出16个最具信息量的指标，表明L2,1-范数正则化具有强大的特征选择能力。
• 向量值回归模型成功预测了测试患者的PROMs时间演变，从而实现准确的下游预后评估。
• 该系统表明，仅依靠PROMs数据即可实现可靠且早期的MS进展预测，即使缺乏明确的临床生物标志物。
• 结果表明，该流程可作为临床实践中MS管理的定量决策支持工具。