Longitudinal Modeling of Multiple Sclerosis using Continuous Time Models

要約

多発性硬化症は、脳と脊髄に影響を与える疾患であり、重度の障害につながる可能性があり、既知の治療法はありません.
多発性硬化症の機械学習におけるこれまでの研究の大部分は、磁気共鳴画像スキャンまたは臨床検査を使用することに集中していました。
これらのモダリティはどちらも取得に費用がかかり、信頼性が低くなる可能性があります。
最近の論文では、パフォーマンス結果測定 (POM) と人口統計データを使用して、疾患の進行を効果的に予測できることが示されました。
私たちの仕事では、これを拡張してモデリング側に焦点を当て、POM の連続時間モデルと人口統計データを使用して進行を予測します。
公開されている多発性硬化症データセットを使用して、4 つの連続時間モデルを評価します。
多くの場合、連続モデルは離散時間モデルよりも優れていることがわかります。
また、パフォーマンス向上の原因を発見するために大規模なアブレーションを実行します。既存の機能を標準化すると、不足している機能を補間するよりもパフォーマンスが大幅に向上することがわかりました。

要約(オリジナル)

Multiple sclerosis is a disease that affects the brain and spinal cord, it can lead to severe disability and has no known cure. The majority of prior work in machine learning for multiple sclerosis has been centered around using Magnetic Resonance Imaging scans or laboratory tests; these modalities are both expensive to acquire and can be unreliable. In a recent paper it was shown that disease progression can be predicted effectively using performance outcome measures (POMs) and demographic data. In our work we extend on this to focus on the modeling side, using continuous time models on POMs and demographic data to predict progression. We evaluate four continuous time models using a publicly available multiple sclerosis dataset. We find that continuous models are often able to outperform discrete time models. We also carry out an extensive ablation to discover the sources of performance gains, we find that standardizing existing features leads to a larger performance increase than interpolating missing features.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google