[论文解读] Meta-Weighted Gaussian Process Experts for Personalized Forecasting of AD Cognitive Changes

Ognjen Rudovic, Yuria Utsumi+4 more|arXiv (Cornell University)|Apr 19, 2019

Gaussian Processes and Bayesian Inference参考文献 22被引用 7

一句话总结

该论文提出了一种元加权高斯过程专家模型（pGPE），通过元学习动态调整每位受试者和每次就诊的专家权重，将个性化高斯过程（pGP）与受试者特异性高斯过程（tGP）模型相结合，显著提升了阿尔茨海默病患者ADAS-Cog13评分在6–24个月内的预测性能。该方法在ADNI数据集上实现了最先进水平的性能，通过基于回归的元高斯过程学习最优、受试者特异的专家权重，优于单一专家模型和传统模型。

ABSTRACT

We introduce a novel personalized Gaussian Process Experts (pGPE) model for predicting per-subject ADAS-Cog13 cognitive scores -- a significant predictor of Alzheimer's Disease (AD) in the cognitive domain -- over the future 6, 12, 18, and 24 months. We start by training a population-level model using multi-modal data from previously seen subjects using a base Gaussian Process (GP) regression. Then, we personalize this model by adapting the base GP sequentially over time to a new (target) subject using domain adaptive GPs, and also by training subject-specific GP. While we show that these models achieve improved performance when selectively applied to the forecasting task (one performs better than the other on different subjects/visits), the average performance per model is suboptimal. To this end, we used the notion of meta learning in the proposed pGPE to design a regression-based weighting of these expert models, where the expert weights are optimized for each subject and his/her future visit. The results on a cohort of subjects from the ADNI dataset show that this newly introduced personalized weighting of the expert models leads to large improvements in accurately forecasting future ADAS-Cog13 scores and their fine-grained changes associated with the AD progression. This approach has potential to help identify at-risk patients early and improve the construction of clinical trials for AD.

研究动机与目标

• 提升阿尔茨海默病患者未来ADAS-Cog13评分的个性化预测性能，该指标是认知功能下降的关键生物标志物。
• 应对阿尔茨海默病临床数据集（如ADNI）中数据异质性高、稀疏性强以及个体差异大的挑战。
• 开发一种元学习框架，自适应地结合多个专家模型（pGP和tGP），以提升每位受试者和每次就诊的预测准确性。
• 通过准确、概率性的认知进展预测，实现对高风险患者的早期识别，并支持更有效的临床试验设计。

提出的方法

• 首先在先前观察到的受试者多模态ADNI数据上训练一个群体水平的高斯过程（GP）模型。
• 针对每个新（目标）受试者，生成两个专家模型：一个个性化高斯过程（pGP），可随时间自适应调整基础模型；一个受试者特异性高斯过程（tGP），仅基于目标受试者的数据进行训练。
• 一个元高斯过程回归模型学习pGP和tGP专家的受试者与就诊特异性权重（元权重），以优化未来ADAS-Cog13评分的预测。
• 元权重通过一个高斯过程回归模型进行训练，该模型基于目标受试者当前数据和历史数据，预测最优融合系数。
• 最终预测结果为pGP和tGP输出的加权组合，权重根据每位受试者和未来时间点动态选择。
• 该框架在ADNI受试者的一个子队列上进行评估，并与LassoR、SVR和LSTM等基线模型进行性能比较。

实验结果

研究问题

• RQ1 元学习方法是否能够超越单一专家模型，在个性化ADAS-Cog13评分预测方面实现性能提升？
• RQ2 在处理临床AD数据的异质性和稀疏性方面，动态的、受试者特异的专家加权方法有多有效？
• RQ3 所提出的元加权高斯过程框架是否在6–24个月的认知功能下降预测中优于传统模型（如LassoR、SVR和LSTM）？
• RQ4 元加权机制是否能有效捕捉个体在疾病进展模式上的差异？

主要发现

• 所提出的元加权高斯过程专家模型（pGPE）在所有时间跨度（6、12、18、24个月）上均显著优于单一专家模型（pGP和tGP）在ADAS-Cog13评分预测中的表现。
• 元加权模型的平均绝对误差（MAE）低于表现最佳的单一专家模型，证明了自适应融合优于静态专家选择。
• 随机采样的元权重性能显著差于学习得到的元权重，证实了元学习过程的有效性。
• 该模型成功捕捉了临床亚组（CN、CN→MCI、MCI、AD）中ADAS-Cog13评分的整体趋势，准确预测了进展受试者的评分上升趋势。
• 基于LSTM的模型表现较差，原因在于ADNI数据的采样不规则和高度稀疏，凸显了高斯过程在处理此类临床时间序列方面的优势。
• 元加权模型接近最优性能边界（W opt），表明该框架近乎最优地结合了专家预测。