[论文解读] Clustering Patients with Tensor Decomposition

Matteo Ruffini, Ricard Gavaldà+1 more|arXiv (Cornell University)|Aug 29, 2017

Tensor decomposition and applications参考文献 17被引用 7

一句话总结

本文提出了一种基于张量分解的聚类方法，用于高维二值电子健康记录（EHR）数据，采用谱方法估计高斯混合模型中独立伯努利分布的参数，无需依赖距离度量。该方法在真实EHR数据集上实现了临床意义明确且稳定的聚类，展示了在无监督患者表型分析中无需人工特征工程的鲁棒性与可解释性。

ABSTRACT

In this paper we present a method for the unsupervised clustering of high-dimensional binary data, with a special focus on electronic healthcare records. We present a robust and efficient heuristic to face this problem using tensor decomposition. We present the reasons why this approach is preferable for tasks such as clustering patient records, to more commonly used distance-based methods. We run the algorithm on two datasets of healthcare records, obtaining clinically meaningful results.

研究动机与目标

• 开发一种高效、自主的聚类方法，适用于高维二值EHR数据，适合非专家医疗管理人员使用。
• 克服距离度量在高维、稀疏及分类EHR数据中应用时的局限性。
• 通过避免手动调参和复杂预处理，实现实时、交互式患者人群探索。
• 为临床数据分析提供一种稳定、可解释且可扩展的传统聚类方法替代方案。
• 在真实世界EHR数据集上展示该方法的实用性，并提供具有临床相关性的聚类解释。

提出的方法

• 该方法将EHR数据建模为独立伯努利分布的混合模型，假设诊断代码之间条件独立。
• 利用经验数据构建高阶矩张量（三阶）以捕捉诊断特征之间的相关性。
• 通过矩方法进行张量分解，以恢复潜在混合参数，避免依赖类似EM算法的迭代优化。
• 提出一种稳健启发式方法，高效计算三阶矩张量，相比先前方法显著降低计算复杂度。
• 分解结果生成k个聚类中心，代表表型特征，将每位患者分配至最相似的聚类。
• 该方法设计为可扩展且稳定，超参数调优极少，适合交互式使用。

实验结果

研究问题

• RQ1 基于高阶矩的张量分解能否在不依赖距离度量的前提下，有效聚类高维二值EHR数据？
• RQ2 与传统基于距离的聚类方法相比，该方法在真实EHR数据上的稳定性与可解释性如何？
• RQ3 该方法能否仅通过原始诊断代码就揭示具有临床意义的患者表型，而无需额外临床特征？
• RQ4 在类别不平衡或稀疏的EHR数据中，该方法是否仍能保持性能，尤其当某些诊断较为罕见时？
• RQ5 该方法能否被非专家医疗管理人员用于实时、交互式的人群探索？

主要发现

• 该方法在两个数据集上的调整兰德指数均高于0.9，表明在子样本中具有高度稳定性，证实了其鲁棒性。
• 在Tertiarism数据集中，识别出六个具有临床可解释性的聚类，包括心脏、肿瘤和肾脏疾病患者的显著表型。
• 聚类4以恶性肿瘤为主，尽管其在疾病频率图中占比很低，表明该方法能够识别出被高度诊断多样性掩盖的潜在模式。
• 该方法成功识别出已知的临床模式，如糖尿病肾病（聚类3）和心肌梗死后心脏疾病（聚类1和2）。
• 临床医生表示，结果提供了患者人群的全新、无偏见的视角，不受先验假设影响。
• 在高维、稀疏EHR环境中，该方法在性能上优于传统基于距离的聚类方法，因距离度量在此类场景下变得不可靠。