[论文解读] Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design

Marco Cuturi, Olivier Teboul+3 more|arXiv (Cornell University)|Apr 26, 2020

SARS-CoV-2 detection and testing参考文献 46被引用 16

一句话总结

本文提出一种用于噪声自适应群体检测的贝叶斯序贯实验设计方法，采用序贯蒙特卡洛（SMC）近似后验感染状态，并通过贪心优化选择信息量丰富的组。该方法在基线方法中表现出更优的检测效率和鲁棒性，尤其在低流行率场景下具有噪声测试时表现更优，且优于标准的环状信念传播解码器。

ABSTRACT

When the infection prevalence of a disease is low, Dorfman showed 80 years ago that testing groups of people can prove more efficient than testing people individually. Our goal in this paper is to propose new group testing algorithms that can operate in a noisy setting (tests can be mistaken) to decide adaptively (looking at past results) which groups to test next, with the goal to converge to a good detection, as quickly, and with as few tests as possible. We cast this problem as a Bayesian sequential experimental design problem. Using the posterior distribution of infection status vectors for $n$ patients, given observed tests carried out so far, we seek to form groups that have a maximal utility. We consider utilities such as mutual information, but also quantities that have a more direct relevance to testing, such as the AUC of the ROC curve of the test. Practically, the posterior distributions on $\{0,1\}^n$ are approximated by sequential Monte Carlo (SMC) samplers and the utility maximized by a greedy optimizer. Our procedures show in simulations significant improvements over both adaptive and non-adaptive baselines, and are far more efficient than individual tests when disease prevalence is low. Additionally, we show empirically that loopy belief propagation (LBP), widely regarded as the SoTA decoder to decide whether an individual is infected or not given previous tests, can be unreliable and exhibit oscillatory behavior. Our SMC decoder is more reliable, and can improve the performance of other group testing algorithms.

研究动机与目标

• 解决在低流行率人群中，于存在噪声测试条件下的高效且准确识别感染者的问题。
• 开发一种自适应群体检测策略，通过结合历史结果与不确定性量化，动态选择最优检测组。
• 通过引入更可靠的SMC后验近似方法，改进现有解码器，特别是环状信念传播方法。
• 在非渐近、有限时域条件下评估性能，考虑真实测试噪声与感染率。
• 展示信息论与临床相关指标（如AUC）在指导群体检测选择中的有效性。

提出的方法

• 将群体检测建模为贝叶斯序贯实验设计问题，其中组选择旨在最大化未来测试结果的期望效用。
• 采用两种效用函数：互信息（MIMAX）与ROC曲线下面积（AUCMAX），均通过贪心前向-后向选择进行优化。
• 使用带有Gibbs MCMC核的序贯蒙特卡洛（SMC）采样器，对n名个体的感染状态后验分布进行近似。
• SMC采样器通过维护一组加权粒子来表示可能的感染配置，每次测试结果更新后进行更新。
• 将已知的感染流行率先验与测试噪声（灵敏度σ，特异性s）信息整合到推理过程中。
• 贪心优化器基于当前后验下测试结果的期望效用，选择下一轮检测的个体组。

实验结果

研究问题

• RQ1 与现有方法相比，贝叶斯序贯实验设计框架是否能提升在噪声自适应群体检测中的检测效率？
• RQ2 在真实测试场景中，互信息与AUC等效用函数在指导组选择方面表现如何比较？
• RQ3 SMC后验近似方法在可靠性与性能方面，相较于环状信念传播作为解码器的改进程度如何？
• RQ4 所提出的群体检测策略对感染流行率与测试噪声参数设定错误的鲁棒性如何？
• RQ5 在非渐近、有限群体设置下，考虑真实测试噪声时，该方法的性能增益如何？

主要发现

• 所提出的G-AUCMAX与G-MIMAX策略在检测准确率与测试效率方面显著优于自适应与非自适应基线方法，尤其在低感染流行率下表现突出。
• SMC基解码器始终优于环状信念传播方法，后者在噪声条件下表现出振荡行为与不可靠推理。
• 在10%感染流行率的模拟中，该方法以远少于个体检测的测试次数实现近乎最优的检测效果，某些场景下测试次数减少高达80%。
• 基于AUC的效用（G-AUCMAX）与临床决策需求更契合，因其直接优化诊断性能指标。
• 该方法对感染率与灵敏度参数设定错误具有鲁棒性，在不同参数设置下均保持高特异性和高敏感性。
• 在k=1设置下（每轮仅一次测试），G-MIMAX策略保持高特异性，并逐步以极少误报识别出阳性个体，优于多轮分组检测基线方法。