Predicting multiple sclerosis disease severity with multimodal deep neural networks

要約

【タイトル】
多次元深層ニューラルネットワークを用いた多発性硬化症の病気の重症度の予測

【要約】
– 多発性硬化症（MS）は、人間の脳と脊髄に発展する慢性的な疾患で、神経の永久的な損傷や衰退を引き起こす可能性がある。
– MS疾患の重症度は、複数の機能サブスコアで構成された拡張障害状態スケール（EDSS）で監視される。
– 早期かつ正確なMS疾患の重症度の分類は、早期治療介入戦略を適用することによって疾患の進行を遅らせたり防止するために重要である。
– 最近の深層学習の発展と電子健康記録（EHR）の広範な使用により、データ駆動と予測モデリングのツールをこの目的に適用する機会が生まれています。
– 単一モードの機械学習と深層学習アルゴリズムを使用した以前の研究は、データ不足またはモデルの単純さによる予測精度の制限がありました。
– 本論文では、患者の多次元の縦断および縦断的なEHRデータを使用して、入院時の多発性硬化症の病気の重症度を予測するアイデアを提案しています。
– この研究には2つの重要な貢献があります。
– 1つ目は、構造化されたEHRデータ、神経画像データ、および臨床ノートを活用して、患者のMS疾患の重症度を予測するための多次元深層学習フレームワークを構築するための試みを説明しています。提案されたパイプラインは、単一モードデータを使用したモデルと比較して、受信者動作特性曲線下面積（AUROC）の最大25%の向上を示しています。
– 2番目は、MS疾患予測に埋め込まれている各データモダリティの有用な信号量に関する洞察を提供することも含まれており、データ収集プロセスの改善に役立つ可能性があります。

要約(オリジナル)

Multiple Sclerosis (MS) is a chronic disease developed in human brain and spinal cord, which can cause permanent damage or deterioration of the nerves. The severity of MS disease is monitored by the Expanded Disability Status Scale (EDSS), composed of several functional sub-scores. Early and accurate classification of MS disease severity is critical for slowing down or preventing disease progression via applying early therapeutic intervention strategies. Recent advances in deep learning and the wide use of Electronic Health Records (EHR) creates opportunities to apply data-driven and predictive modeling tools for this goal. Previous studies focusing on using single-modal machine learning and deep learning algorithms were limited in terms of prediction accuracy due to the data insufficiency or model simplicity. In this paper, we proposed an idea of using patients’ multimodal longitudinal and longitudinal EHR data to predict multiple sclerosis disease severity at the hospital visit. This work has two important contributions. First, we describe a pilot effort to leverage structured EHR data, neuroimaging data and clinical notes to build a multi-modal deep learning framework to predict patient’s MS disease severity. The proposed pipeline demonstrates up to 25% increase in terms of the area under the Area Under the Receiver Operating Characteristic curve (AUROC) compared to models using single-modal data. Second, the study also provides insights regarding the amount useful signal embedded in each data modality with respect to MS disease prediction, which may improve data collection processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI