[论文解读] Forecasting Disease Trajectories in Alzheimer's Disease Using Deep Learning

Bryan Lim, Mihaela van der Schaar|arXiv (Cornell University)|Jul 6, 2018

Machine Learning in Healthcare参考文献 3被引用 5

一句话总结

本文提出 Disease-Atlas，一种基于 RNN 的深度学习框架，通过引入 MC dropout 进行不确定性估计，联合建模阿尔茨海默病的纵向生物标志物轨迹与生存事件时间。在 ADNI 数据上，其在纵向预测中实现最高 40% 的 MSE 降低，在痴呆转换预测中 AUROC 提升 7%，优于标准联合模型和 LSTMs。

ABSTRACT

Joint models for longitudinal and time-to-event data are commonly used in longitudinal studies to forecast disease trajectories over time. Despite the many advantages of joint modeling, the standard forms suffer from limitations that arise from a fixed model specification and computational difficulties when applied to large datasets. We adopt a deep learning approach to address these limitations, enhancing existing methods with the flexibility and scalability of deep neural networks while retaining the benefits of joint modeling. Using data from the Alzheimer's Disease Neuroimaging Institute, we show improvements in performance and scalability compared to traditional methods.

研究动机与目标

• 为解决传统纵向与生存事件数据联合建模的局限性，如模型设定固定、在大规模数据集上可扩展性差等问题。
• 通过实现动态、个性化的疾病进展与痴呆发病时间预测，提升阿尔茨海默病的临床决策支持能力。
• 开发一种可扩展、灵活的深度学习框架，在保持联合模型统计严谨性的同时提升预测性能。
• 在真实世界 ADNI 数据上验证该方法，证明其在生存预测与纵向预测任务中均表现更优。

提出的方法

• Disease-Atlas 使用长短期记忆（LSTM）网络作为共享的时间编码器，以建模纵向变量与协变量之间的时序相关性与跨变量相关性。
• 采用任务特定的网络层，分别预测连续生物标志物（如 MRI 体积）、离散认知评分以及时间至事件结果（如痴呆转换）。
• 在 RNN 的输入、记忆状态和输出层应用蒙特卡洛（MC）dropout，以生成不确定性估计，确保与概率性联合建模的一致性。
• 采用基于似然的损失函数进行模型训练，整合所有输出类型的预测分布，实现端到端的联合学习。
• 采用三段式架构，分别实现共享时序表征学习、任务特定表征学习与输出层计算，支持多任务预测。
• 通过 20 次随机搜索优化超参数，并将数据按 60% 训练、20% 验证、20% 评估进行划分，以实现交叉验证。

实验结果

研究问题

• RQ1 深度学习框架是否能在预测阿尔茨海默病轨迹方面超越标准联合模型与循环神经网络？
• RQ2 与定位法（landmarking）和联合模型相比，Disease-Atlas 在预测痴呆发病等时间至事件结果方面，预测准确率提升程度如何？
• RQ3 该模型在不同时间范围（时间跨度）内对纵向生物标志物变化（如海马体萎缩、认知评分）的预测表现如何？
• RQ4 集成蒙特卡洛 dropout 是否能在保持预测性能的同时，增强联合建模中的不确定性量化能力？
• RQ5 该框架在不牺牲模型灵活性或可解释性的前提下，能否有效扩展至大规模纵向数据集？

主要发现

• 在短期时间范围（τ = 0.5 至 2 年）内，Disease-Atlas 在预测痴呆转换方面，相比标准联合模型（JM）平均 AUROC 提升 7%，相比 LSTMs 提升 10%。
• 在纵向预测方面，Disease-Atlas 相比联合模型将均方误差（MSE）降低最高达 78%，所有生物标志物与时间步长的平均降低幅度为 40%。
• AUPRC 表现一致提升，τ = 0.5 时平均 AUPRC 达 32.6%，优于 LSTMs（25.6%）与定位法（27.0%），在早期预测中表现更优。
• 在预测脑室体积（78% MSE 降低）与海马体萎缩（63% 降低）方面，Disease-Atlas 显著优于 JM，这两项均为神经退行性变的关键指标。
• 对于 CDRSB 与 MMSE 等认知评分，模型分别实现 34% 与 18% 的平均 MSE 降低，表明其在临床评估预测中表现强劲。
• 模型在多种生物标志物上保持高性能，包括 RAVLT 记忆测试与 ADAS13，MSE 降低幅度在 0% 至 35% 之间，具体取决于测量指标与时间范围。