[论文解读] Latent Patient Network Learning for Automatic Diagnosis.

Luca Cosmo, Anees Kazi+3 more|arXiv (Cornell University)|Mar 27, 2020

Machine Learning in Healthcare参考文献 25被引用 12

一句话总结

该论文提出了一种端到端、空间的、归纳式图卷积网络（GCN），可直接从数据中学习最优患者相似性图，用于自动疾病诊断，从而消除了手动设计相似性度量的需要。该方法通过在训练过程中动态剪枝和优化图结构，在两个医学CADx任务中实现了显著的分类性能提升。

ABSTRACT

Recently, Graph Convolutional Networks (GCNs) has proven to be a powerful machine learning tool for Computer Aided Diagnosis (CADx) and disease prediction. A key component in these models is to build a population graph, where the graph adjacency matrix represents pair-wise patient similarities. Until now, the similarity metrics have been defined manually, usually based on meta-features like demographics or clinical scores. The definition of the metric, however, needs careful tuning, as GCNs are very sensitive to the graph structure. In this paper, we demonstrate for the first time in the CADx domain that it is possible to learn a single, optimal graph towards the GCN's downstream task of disease classification. To this end, we propose a novel, end-to-end trainable graph learning architecture for dynamic and localized graph pruning. Unlike commonly employed spectral GCN approaches, our GCN is spatial and inductive, and can thus infer previously unseen patients as well. We demonstrate significant classification improvements with our learned graph on two CADx problems in medicine. We further explain and visualize this result using an artificial dataset, underlining the importance of graph learning for more accurate and robust inference with GCNs in medical applications.

研究动机与目标

• 解决GCN在医学诊断中对人工设计的患者相似性度量的敏感性问题。
• 开发一种可训练的、动态的图学习机制，以优化图结构以支持下游疾病分类任务。
• 通过使用空间GCN而非谱GCN，实现在未见患者上的归纳推理。
• 在真实世界的医学诊断任务中，证明学习到的图相较于手工相似性度量的优越性。
• 通过在人工数据集和真实数据集上可视化学习到的图结构，提供模型可解释性。

提出的方法

• 提出一种空间的、归纳式GCN，直接基于节点特征运行，并在训练过程中动态学习图结构。
• 引入一种端到端可训练的架构，联合优化图邻接矩阵和模型参数以实现疾病分类。
• 采用动态且局部的图剪枝策略，基于预测性能对患者关系进行优化。
• 使用可微分的图学习模块，通过从患者特征中提取的注意力或相似性机制更新邻接矩阵。
• 避免使用谱方法，依赖空间卷积，从而实现在之前未见患者上的推理。
• 使用标准反向传播进行端到端训练，同时与分类器共同优化图结构。

实验结果

研究问题

• RQ1 深度学习模型能否学习到一种最优的患者图结构，从而提升疾病分类的准确性？
• RQ2 在医学诊断任务中，端到端图学习与手工设计的相似性度量相比表现如何？
• RQ3 具有学习图的空间GCN能否泛化到之前未见的患者？
• RQ4 图结构的质量对CADx中模型鲁棒性和可解释性有何影响？
• RQ5 学习到的图结构在真实和人工数据中如何反映潜在的患者关系？

主要发现

• 与在两个真实医学CADx数据集中使用人工定义相似性度量的GCN相比，所提出方法在疾病分类性能上实现了显著提升。
• 端到端学习的图结构相比手工相似性度量，能带来更准确且更鲁棒的推理结果。
• 空间归纳式GCN能够有效对未见患者进行分类，而谱GCN方法则无法实现。
• 在人工数据集上的可视化结果证实，学习到的图能捕捉到有意义的患者关系，并支持模型的可解释性。
• 动态图剪枝通过在训练过程中聚焦于相关患者相似性，提升了模型性能。
• 结果表明，图结构学习对于医学应用中基于GCN的可靠诊断至关重要。