Subtyping patients with chronic disease using longitudinal BMI patterns
원문 초록
Obesity is a major health problem, increasing the risk of various major chronic diseases, such as diabetes, cancer, and stroke. While the role of obesity identified by cross-sectional BMI recordings has been heavily studied, the role of BMI trajectories is much less explored. In this study, we use a machine-learning approach to subtype individuals' risk of developing 18 major chronic diseases by using their BMI trajectories extracted from a large and geographically diverse EHR dataset capturing the health status of around two million individuals for a period of six years. We define nine new interpretable and evidence-based variables based on the BMI trajectories to cluster the patients into subgroups using the k-means clustering method. We thoroughly review each cluster's characteristics in terms of demographic, socioeconomic, and physiological measurement variables to specify the distinct properties of the patients in the clusters. In our experiments, the direct relationship of obesity with diabetes, hypertension, Alzheimer's, and dementia has been re-established and distinct clusters with specific characteristics for several of the chronic diseases have been found to be conforming or complementary to the existing body of knowledge.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2111.05385v3제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
FiberGeoText: 천부 백질의 집단 수준 체계화를 위한 비전-언어 모델
FiberGeoText: A Vision-Language Model for Population- Level Organization of Superficial White Matter
생애 전반에 걸친 인지 및 뇌 질환에 중요한 뇌 영역인 천부 백질(SWM, superficial white matter)에는 풍부한 단거리 연합 섬유가 포함되어 있으나, 짧은 궤적과 변동성이 큰 대뇌 피질 주름으로 인해 개체 간 대응이 어려워 그 구조가 완전히 규명되지 않았습니다. 해부학적으로 상응하는 연결은 개체 간에 공간적 위치가 다를 수 있으므로 기하학적 근접성만으로는 적절히 정의되지 않을 수 있습니다. 본 연구에서는 초고해상도 확산 MRI로부터 재구성된 단거리 천부 백질(SWM) 신경로(streamline)를 집단 수준의 클러스터로 체계화하기 위한 비전-언어(vision-language) 모델(VLM)인 FiberGeoText(FGT)를 소개합니다. FGT는 각 신경로의 세 가지 상호보완적 특성인 3차원 궤적, 피질 해부학적 컨텍스트, 형태를 공동으로 표현합니다. 여러 구획화(parcellation) 체계의 피질 종단점 정보는 텍스트로 표현되고 사전학습된 대규모 언어 모델(LLM)을 사용하여 인코딩되므로, 이종의 해부학적 기술이 공통의 연속적 표현에 기여할 수 있습니다. 밀리미터 미만인 0.76mm 확산 MRI 데이터를 통해 FGT를 평가했습니다. 최신(SOTA) 방법들과 비교했을 때, FGT는 훨씬 더 높은 피질 구획 일관성, 클러스터 내 형태 일관성, 클러스터 크기 일관성, 피험자 간 대응성을 달성했습니다. 또한 학습된 모델은 학습된 5,000개 클러스터 중 평균 96.7%를 복구하며 미확인 피험자에 대해서도 우수한 일반화 성능을 보였고, 학습 데이터와 테스트 데이터 간의 클러스터 구조 일관성도 높았습니다. 이러한 결과는 VLM 모델을 통해 멀티모달 딥 임베딩(embedding)을 학습함으로써 기하학적, 해부학적, 형태 정보를 통합하는 것이 개체 간 해부학적 변동성에도 불구하고 집단 수준에서 일관된 SWM 구조를 강건하게 학습할 수 있음을 입증합니다.
생체 인식 식별을 위한 심전도 신호 기반 대표 형태 히트맵
From ECG Signals to Representative-Morphology Heatmaps for Biometric Recognition
심전도(ECG)는 생체 인식(biometric recognition)을 지원하는 대상자 고유의 형태학적 특성을 포함하고 있으나, 이미지 기반 성능은 파형(waveform)이 어떻게 렌더링되는지에 따라 달라집니다. 본 논문에서는 ECGXtractor를 기반으로 변형한 결정론적 ECG-투-이미지 표현 방식인 대표 형태 히트맵(representative-morphology heatmaps)을 소개합니다. 정렬된 10개 박동으로 구성된 각 블록 내에서 블록 평균에 가장 가까운 5개 박동을 평균화하여 400 × L 행렬로 구성한 뒤, 기존의 트레이스(trace) 형태 또는 심장 시간-리드(cardiac-time-by-lead) 밀집 히트맵으로 렌더링합니다. 두 표현 모두 동일한 생리학적 샘플을 포함하므로, 이들의 비교를 통해 렌더링 방식의 효과만을 분리하여 분석할 수 있습니다. 본 연구에서는 PTB, ECG-ID, MIMIC-IV-ECG-DEMO 데이터셋에서 검증(verification) 및 닫힌 집합 식별(closed-set identification) 성능을 평가(evaluation)합니다. ZACH-ViT를 포함한 5개의 소형 모델을 처음부터 학습(training from scratch)시키는 한편, ImageNet 사전학습(pre-training)된 6개의 CNN 및 트랜스포머(transformer) 백본을 통해 모델 규모와 시각적 전이 성능을 평가합니다. 15개의 모든 소형 모델-데이터셋 비교에서 히트맵은 FNMR 동작점 및 두 식별 순위 모두를 향상시켰으며, 14개 비교에서는 EER을 개선했습니다. 짝을 이룬 실험 전반에서 EER은 평균 9.59%p 감소했고 Rank-1은 24.69%p 증가했습니다. ConvNeXt-Tiny는 PTB에서 2.43%, ECG-ID에서 5.79%의 EER을 달성한 반면, DeiT-Base는 MIMIC-DEMO에서 14.92%를 기록했습니다. ImageNet 초기화(initialization)는 두 다중 리드(multilead) 데이터셋에는 분명한 이점을 주었으나 ECG-ID에서는 복합적인 영향을 미쳤으며, 성능이 모델 크기에 따라 단조롭게 증가하지는 않았습니다. 최고의 히트맵 시스템들은 PTB와 ECG-ID에서 가장 강력한 신호 도메인 EER에 근접했으며, DeiT-Base는 MIMIC-DEMO에서 평가된 성능 중 가장 높은 성능을 보였습니다. 리드-채널 절제 연구(ablation study)는 유용한 채널 조합이 집단(cohort)과 생체 인식 작업에 따라 달라진다는 점을 추가로 보여줍니다. 전반적으로 대표 형태 히트맵은 심전도 검증 및 식별을 위한 효과적인 이미지 표현을 제공합니다.
청소년 특발성 척추측만증 진행 예측
Predicting the Progression of Adolescent Idiopathic Scoliosis
청소년 특발성 척추측만증(Adolescent Idiopathic Scoliosis)은 원인을 알 수 없이 청소년기에 발생하는 척추의 측만으로 정의된다. 이 질환은 상당한 통증과 장애를 초래할 수 있으며, 청소년기 동안 빠르게 진행되는 경우가 많다. 본 논문의 목표는 이중 X선 흡수계측(Dual X-ray Absorptiometry, DXA) 스캔 시퀀스로 측정한 9세부터 24세까지의 시간적 시퀀스에서 질환의 진행을 예측하는 것이다. 이를 위해 척추 곡선을 입력으로 받아 곡선 진행을 예측하는 트랜스포머 모델을 학습한다. 모델은 다양한 곡선 유형과 진행 패턴을 포함하는 대규모 합성 척추 곡선 및 시계열 데이터셋으로 학습된다. 여러 시점을 포함하는 실제 DXA 스캔 데이터셋에서 평가하여 합성 데이터에서 실제 데이터로 일반화할 수 있음을 보인다. 실제 데이터에 대한 미세조정이 성능을 크게 향상시킨다. 모델은 척추측만증과 정상 경우 모두에서 척추 곡선 진행을 정확하게 예측할 수 있다.
R-GEAN: 입원 기간 내 투약 변경 예측을 위한 요법 기반 편집 행동 네트워크
R-GEAN: Regimen-Guided Edit Action Network for Within-Admission Medication Change Prediction
환자에게 처방되는 약물은 임상의가 치료를 시작, 중단 또는 지속함에 따라 입원 기간 동안 자주 변경됩니다. 본 연구에서는 입원 후 24시간 시점과 퇴원 시점 사이에 어떤 약물 분류가 추가되거나 제거되는지를 모델이 예측할 수 있는지 살펴봅니다. 완전한 퇴원 투약 요법(regimen)을 비교하는 지표는 모델이 실제 변경 사항을 전혀 식별하지 못하더라도 변경되지 않고 유지되는 약물을 그대로 복사하는 것에 대해 보상(reward)을 줄 수 있습니다. 따라서 우리는 이전에 완료된 입원 기록과 현재 입원 후 첫 24시간 이내에 이용 가능한 정보만을 사용하여 순(net) ATC3 추가 및 제거를 예측하는 정보 누출이 통제된 벤치마크(benchmark)를 도입합니다. 추가 후보는 24시간 시점에 활성화되지 않은 분류이며, 제거 후보는 해당 시점에 활성화된 분류입니다. 또한 독립적인 추가 및 제거 예측기를 갖춘 비대칭 후보 점수화 네트워크인 R-GEAN을 제안합니다. 82,286명의 환자로부터 얻은 240,480건의 입원 데이터 전반에서, R-GEAN은 편집 복합 지표(edit composite, 0.464)로 명명된 사전 정의된 추가, 제거, 변경 요법 및 행동 패턴 성능 요약값에서 최고치를 달성하였으며, 이는 가장 강력한 주요 비교 대상의 0.435와 대비됩니다. 재구현된 RETAIN, GAMENet, MICRON 기준선(baseline)은 각각 0.428, 0.420, 0.288을 기록했습니다. R-GEAN의 강점은 퇴원 시점에 더 이상 활성화되지 않는 약물 분류를 올바르게 식별하는 데 집중되어 있는 반면, 드물게 발생하는 추가 및 여러 약물 변경이 수반되는 입원은 여전히 어려운 과제로 남아 있습니다. 재구성된 퇴원 요법에 대한 micro-F1 기반 순위와 편집 복합 지표 기반 순위는 평가된 모델 전반에서 약한 상관관계(Spearman r = 0.20)를 보였습니다. 지속(continuation) 기준선은 추가나 제거를 전혀 예측하지 않았음에도 가장 높은 완전 요법 점수를 달성했습니다. 이러한 결과는 완전 요법 평가와 편집 수준 평가가 약물 예측의 서로 다른 측면을 측정함을 보여줍니다. 해당 벤치마크는 관찰된 처방 변경을 평가하며, 치료의 적절성을 평가하지는 않습니다.
DiaSeg: 해석 가능한 보행 분석을 위한 DTW 경로에서의 대각 세그먼트 추출
DiaSeg: Diagonal Segment Extraction from DTW Paths for Interpretable Gait Analysis
동적 시간 워핑(Dynamic Time Warping, DTW)은 시계열 간 유사도를 측정하는 데 지배적으로 사용되는 방법이지만, 표준적인 방식은 단일 거리 값을 계산한 후 최적 워핑 경로를 폐기함으로써 임상 진단과 가장 관련이 깊은 지역적 정렬 정보를 잃는다. 본 논문은 제어된 단절을 허용하며 DTW 경로에서 대각 세그먼트를 추출하는 프레임워크인 DiaSeg를 소개한다. DiaSeg는 각 세그먼트를 다섯 가지 기하학적 특징(유효 길이, 단절 횟수, 비용 변동, 시간적 위치, 경로 맥락)으로 특성화하며, 도메인 특화 특징 공학(feature engineering) 없이 비지도 패턴 발견을 가능하게 한다. 6가지 임상 상태(건강한 노화, 파킨슨병, 헌팅턴병, 근위축성 측삭경화증(ALS), 뇌종양, 뇌졸중)에 걸친 91명의 피험자를 대상으로 검증한 결과, 세 가지 결과가 도출되었다. 첫째, 대각 세그먼트는 생체역학적 단계 주석과 일치하는 일관된 비지도 패턴을 형성하며(실루엣 계수 0.33), 레이블 기반 검증을 통해 건강한 보행과 병리적 보행 간 거의 완벽한 분리를 확인하였다(조정 랜드 지수(ARI) 최대 0.986). 둘째, 세그먼트는 지도 학습에서 69%, 환자 수준 클러스터링에서 75%의 정확도로 병리를 구분하며, 병리는 세그먼트 길이의 분포적 변화를 통해 나타난다. 세그먼트 특징과 주기(cycle) 수준 특징을 결합하면 분류(classification) 정확도가 91.7%까지 향상된다. 셋째, 주기 기반 방법이 더 높은 정확도(91%)를 달성하지만, 대각 세그먼트는 전역적 표현으로는 얻을 수 없는 단계별 해석 가능성을 제공하여 보행 주기 내에서 협응이 무너지는 위치를 국소화할 수 있다. 이처럼 DiaSeg는 DTW를 블랙박스 거리 척도에서 신경퇴행성 질환 평가를 위한 해석 가능한 시간적 특징의 원천으로 전환한다.
다중 양식 초음파 및 임상 데이터 통합을 통한 간세포암 미세혈관침범 수술 전 예측: 다기관 연구
Preoperative Prediction of Microvascular Invasion in Hepatocellular Carcinoma by Integrating Multimodal Ultrasound and Clinical Data: A Multicenter Study
Background: 미세혈관침범(microvascular invasion, MVI)은 간세포암(hepatocellular carcinoma, HCC)에서 재발과 생존을 예측하지만, 진단에는 수술 후 조직병리학이 필요하다. 우리는 수술 전 MVI 예측을 위해 다중 양식 초음파와 임상 데이터를 통합한 모델을 개발하고 검증했다. Methods: 본 다기관 연구에는 8개 센터의 HCC 환자 489명이 포함되었다. 모든 환자는 B-mode 초음파(BUS), 컬러 도플러 유량 영상(color Doppler flow imaging, CDFI), 다이나믹 조영 증강 초음파(dynamic contrast-enhanced ultrasound, DCE-US), 및 임상 정보를 보유하였다. 7개 센터(n = 421) 데이터는 5-fold 교차 검증으로 모델 개발에 사용되었고, 나머지 1개 센터(n = 68) 데이터는 독립 외부 검증 코호트를 구성하였다. 제안된 다중 양식 정보 융합 네트워크는 양식별 인코더, 양방향 DCE-US 관류 변화를 위한 혈역학적 시간적 변화 모듈(hemodynamic temporal change module), 및 트랜스포머 기반 융합 전 이질적 초음파 표현을 정렬하기 위한 표현 일관성 학습 모듈(representation consistency learning module)을 사용하였다. Results: 외부 검증에서 DCE-US가 단일 양식 중 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic curve, AUC; 0.8545+/-0.0198)이 가장 높았으며, 임상 정보(0.6715+/-0.0156), CDFI(0.6435+/-0.0344), BUS(0.6087+/-0.0417)보다 우수하였다. 픽셀 차분 샘플링(pixel-difference sampling)과 제안된 시간적 모듈은 대안 샘플링 및 비디오 표현 방법보다 우수하였다. 전체 모델이 최고 성능을 달성하였으며, AUC 0.8953+/-0.0180, 정확도 81.18%+/-2.83%, 민감도 86.40%+/-6.69%, 특이도 78.14%+/-6.28%였다. Conclusions: 다중 양식 초음파와 임상 정보 통합은 HCC에서 유망한 수술 전 MVI 예측을 가능하게 하였다. DCE-US가 예측 정보의 주요 원천이었고, BUS, CDFI, 임상 정보는 상보적 가치를 제공하였다. 제안된 프레임워크는 수술 전 위험 계층화 및 개별화된 임상 의사결정을 지원할 수 있다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.