Modeling Complex Disease Trajectories using Deep Generative Models with Semi-Supervised Latent Processes

要約

この論文では、複雑な疾患の軌跡をモデル化して総合的に分析するための潜在的な時間プロセスを使用した、深い生成時系列アプローチを提案します。
私たちは、観察された疾患の軌跡を解釈可能かつ包括的な方法で説明する、根底にある生成プロセスの意味のある時間的潜在表現を見つけることを目指しています。
これらの潜在的な時間プロセスの解釈可能性を高めるために、確立された医学概念を使用して潜在空間を解きほぐすための半教師ありアプローチを開発します。
生成的アプローチと医学的知識を組み合わせることで、医学的概念をモデルに統合しながら疾患の新しい側面を発見する能力を活用します。
学習した時間的潜在プロセスは、類似の患者の発見や疾患の新しいサブタイプへのクラスタリングなど、さらなるデータ分析や臨床仮説の検証に利用できることを示します。
さらに、私たちの方法は、不確実性の定量化を含む多変量時系列のパーソナライズされたオンライン監視と予測を可能にします。
私たちは、全身性硬化症のモデル化における私たちのアプローチの有効性を実証し、複雑な疾患の軌跡を捉えて新しい医学知識を獲得するための機械学習モデルの可能性を示します。

要約(オリジナル)

In this paper, we propose a deep generative time series approach using latent temporal processes for modeling and holistically analyzing complex disease trajectories. We aim to find meaningful temporal latent representations of an underlying generative process that explain the observed disease trajectories in an interpretable and comprehensive way. To enhance the interpretability of these latent temporal processes, we develop a semi-supervised approach for disentangling the latent space using established medical concepts. By combining the generative approach with medical knowledge, we leverage the ability to discover novel aspects of the disease while integrating medical concepts into the model. We show that the learned temporal latent processes can be utilized for further data analysis and clinical hypothesis testing, including finding similar patients and clustering the disease into new sub-types. Moreover, our method enables personalized online monitoring and prediction of multivariate time series including uncertainty quantification. We demonstrate the effectiveness of our approach in modeling systemic sclerosis, showcasing the potential of our machine learning model to capture complex disease trajectories and acquire new medical knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google