[论文解读] Outcome-Driven Clustering of Acute Coronary Syndrome Patients using Multi-Task Neural Network with Attention

Eryu Xia, Xin Du+9 more|arXiv (Cornell University)|Mar 1, 2019

Artificial Intelligence in Healthcare参考文献 10被引用 7

一句话总结

本研究提出了一种基于结果的聚类框架，用于急性冠状动脉综合征（ACS）患者，采用带有注意力机制的多任务神经网络。通过联合建模患者状态、聚类和特征重要性，并将院内主要不良心脏事件（MACE）作为监督信号，该方法识别出七个具有不同风险特征的患者聚类，相较于传统方法，展现出更优的表型分层和预后洞察能力。

ABSTRACT

Cluster analysis aims at separating patients into phenotypically heterogenous groups and defining therapeutically homogeneous patient subclasses. It is an important approach in data-driven disease classification and subtyping. Acute coronary syndrome (ACS) is a syndrome due to sudden decrease of coronary artery blood flow, where disease classification would help to inform therapeutic strategies and provide prognostic insights. Here we conducted outcome-driven cluster analysis of ACS patients, which jointly considers treatment and patient outcome as indicators for patient state. Multi-task neural network with attention was used as a modeling framework, including learning of the patient state, cluster analysis, and feature importance profiling. Seven patient clusters were discovered. The clusters have different characteristics, as well as different risk profiles to the outcome of in-hospital major adverse cardiac events. The results demonstrate cluster analysis using outcome-driven multi-task neural network as promising for patient classification and subtyping.

研究动机与目标

• 开发一种基于数据的分类方法，根据临床结局将ACS患者划分为具有生物学意义的亚型。
• 在患者聚类中整合治疗反应和院内MACE作为联合监督信号，以提高临床相关性。
• 利用注意力加权的特征重要性识别区分患者聚类的关键临床特征。
• 通过揭示具有不同预后轨迹的异质性患者亚群，实现个性化风险预测。

提出的方法

• 采用多任务神经网络架构，同时学习患者表征、执行聚类并估计特征重要性。
• 模型使用注意力机制，在患者表征学习过程中动态加权不同临床特征的贡献。
• 聚类在深度学习框架内端到端完成，采用可微分的聚类目标函数。
• 模型通过结合患者结局预测（MACE）和聚类一致性的一体化损失函数进行训练。
• 特征重要性源自注意力权重，为各聚类中具有区分性的临床变量提供可解释的洞察。
• 该框架实现了表征学习、聚类和结局预测的端到端联合优化。

实验结果

研究问题

• RQ1 基于深度学习的结果驱动聚类能否改善ACS患者中具有临床意义亚型的识别？
• RQ2 所得患者聚类在临床特征和院内MACE风险方面有何差异？
• RQ3 注意力机制揭示了哪些临床特征对聚类归属和结局最具预测性？
• RQ4 将结局信息整合到聚类过程中是否能产生更具生物学和临床一致性的亚型？

主要发现

• 该模型成功识别出七个具有独特临床表型和不同院内MACE风险的患者聚类。
• 聚类1的MACE风险最高（18.7%），而聚类7最低（4.3%），表明存在显著的预后异质性。
• 注意力机制突出显示肌钙蛋白水平、射血分数和年龄为跨聚类最具区分性的特征。
• 结果驱动方法通过使患者分组与临床相关结局对齐，提升了聚类质量。
• 与无结局监督的传统聚类方法相比，该方法在识别高风险亚群方面表现出更优性能。