[论文解读] Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes

Zhaozhi Qian, Ahmed M. Alaa+3 more|arXiv (Cornell University)|Jan 8, 2020

Mental Health Research Topics参考文献 25被引用 12

一句话总结

本文提出深度扩散过程（DDP），一种深度概率模型，通过将疾病发病建模为具有神经网络调制边权重的多维点过程，从电子健康记录事件数据中学习动态、个性化的共病网络。DDP在域内和域外设置下均表现出优越的预测性能和可解释的疾病路径表示，尤其在不同癌症类型之间的迁移学习中表现突出。

ABSTRACT

Comorbid diseases co-occur and progress via complex temporal patterns that vary among individuals. In electronic health records we can observe the different diseases a patient has, but can only infer the temporal relationship between each co-morbid condition. Learning such temporal patterns from event data is crucial for understanding disease pathology and predicting prognoses. To this end, we develop deep diffusion processes (DDP) to model "dynamic comorbidity networks", i.e., the temporal relationships between comorbid disease onsets expressed through a dynamic graph. A DDP comprises events modelled as a multi-dimensional point process, with an intensity function parameterized by the edges of a dynamic weighted graph. The graph structure is modulated by a neural network that maps patient history to edge weights, enabling rich temporal representations for disease trajectories. The DDP parameters decouple into clinically meaningful components, which enables serving the dual purpose of accurate risk prediction and intelligible representation of disease pathology. We illustrate these features in experiments using cancer registry data.

研究动机与目标

• 利用电子健康记录中的事件数据，对复杂、时变的共病疾病相互作用进行建模。
• 开发一种方法，通过从患者病史中学习个性化共病网络，捕捉个体特异性的疾病进展模式。
• 在保持疾病路径临床可解释性的同时，提高风险预测的准确性。
• 在无需重新训练的情况下，实现在不同疾病人群（如结直肠癌到胃癌）之间的迁移学习。
• 揭示反映共病状况真实时间进展的临床有意义、动态的网络结构。

提出的方法

• 将疾病发病事件建模为具有由动态加权图结构参数化的强度函数的多维点过程。
• 将强度函数分解为基线风险、静态成对相互作用、时变影响以及由深度神经网络调制的动态成分。
• 使用神经网络将患者病史映射为时变边权重，实现个性化和自适应的共病网络表示。
• 通过似然最大化端到端训练模型，联合优化预测与网络结构学习。
• 整合临床可解释的组件，以确保模型透明性，并促进关于疾病机制的假设生成。
• 将模型应用于癌症登记数据，以学习共病网络，并在域内和域外预测任务中评估性能。

实验结果

研究问题

• RQ1 深度概率模型能否从纵向EHR事件数据中学习到动态、个性化的共病网络？
• RQ2 引入神经网络调制边权重相比静态或参数化模型，能否显著提升预测准确性？
• RQ3 所学习的共病网络在多大程度上能泛化到不同疾病人群之间，例如从结直肠癌到胃癌？
• RQ4 模型的可解释组件是否有助于揭示临床有意义的疾病进展路径？
• RQ5 与具有固定或结构化较弱的交互机制的模型相比，动态网络结构是否能带来更好的域外性能？

主要发现

• DDP在八项疾病预测任务中的五项中表现最佳，其余三项也表现具有竞争力，显著优于cHawkes和Charlson评分。
• 在域外迁移实验中，DDP在结直肠癌数据上训练后，于胃癌数据测试中显著优于所有基线模型，包括Neural Hawkes。
• 卡方检验证实，结直肠癌和胃癌数据集中疾病流行率及成对出现频率存在显著差异（p < 0.001），表明群体水平网络难以有效迁移。
• Jaccard距离分析显示，每组数据集内部的图异质性大于组间差异，证实DDP在不同癌症类型间学习到了可泛化的网络结构。
• 与Neural Hawkes和RETAIN不同，该模型能够推断出可解释的、动态的共病网络，从而提供更深入的临床洞察，并支持关于疾病机制的假设生成。
• DDP展现出卓越的泛化能力，表明其动态、依赖病史的网络学习机制更适合罕见疾病或数据稀缺的少数群体。