Improving Image-Based Precision Medicine with Uncertainty-Aware Causal Models

要約

画像ベースの精密医療は、臨床転帰を改善するために、個人の固有の画像特徴に基づいて治療決定を個別化することを目的としています。
治療の推奨事項の一部として不確実性の推定を統合する機械学習フレームワークは、より安全で信頼性が高くなります。
しかし、不確実性の推定技術や検証指標を精密医療に適応させる取り組みはほとんど行われていません。
この論文では、ベイジアンディープラーニングを使用して、いくつかの治療法における事実と反事実の結果の事後分布を推定します。
これにより、各治療オプションの不確実性と、任意の 2 つの治療間の個別の治療効果 (ITE) を推定することができます。
私たちはこのモデルをトレーニングおよび評価し、ランダム化対照試験中にいくつかの治療を受けた多発性硬化症患者の MR 脳画像の大規模な多施設データセットに基づいて、将来の新規および拡大する T2 病変数を予測します。
不確実性の推定値と事実の誤差との相関関係を評価し、グランドトゥルースの反事実結果が欠如していることを前提として、ITE 予測の不確実性が ITE 誤差の限界にどのように関係するかを実証します。
最後に、不確実性の知識が臨床上の意思決定をどのように変更し、個々の患者や臨床試験の結果を改善できるかを示します。

要約(オリジナル)

Image-based precision medicine aims to personalize treatment decisions based on an individual’s unique imaging features so as to improve their clinical outcome. Machine learning frameworks that integrate uncertainty estimation as part of their treatment recommendations would be safer and more reliable. However, little work has been done in adapting uncertainty estimation techniques and validation metrics for precision medicine. In this paper, we use Bayesian deep learning for estimating the posterior distribution over factual and counterfactual outcomes on several treatments. This allows for estimating the uncertainty for each treatment option and for the individual treatment effects (ITE) between any two treatments. We train and evaluate this model to predict future new and enlarging T2 lesion counts on a large, multi-center dataset of MR brain images of patients with multiple sclerosis, exposed to several treatments during randomized controlled trials. We evaluate the correlation of the uncertainty estimate with the factual error, and, given the lack of ground truth counterfactual outcomes, demonstrate how uncertainty for the ITE prediction relates to bounds on the ITE error. Lastly, we demonstrate how knowledge of uncertainty could modify clinical decision-making to improve individual patient and clinical trial outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google