정밀 건강 분야의 다중 모드 기계 학습: 범위 지정 검토

npj 디지털 의학 5권, 기사 번호: 171(2022) 이 기사 인용

18,000회 액세스

19 인용

47 알트메트릭

측정항목 세부정보

기계 학습은 임상 의사 결정 지원을 위한 활용을 포함하여 건강 부문의 문제를 해결하기 위해 자주 활용되고 있습니다. 그 사용은 역사적으로 단일 모달 데이터에 중점을 두었습니다. 예측을 개선하고 임상 전문가 의사결정의 다중 모드 특성을 모방하려는 시도는 서로 다른 데이터를 융합하여 기계 학습이라는 생의학 분야에서 이루어졌습니다. 이 검토는 이 분야의 현재 연구를 요약하고 향후 연구에 적합한 주제를 식별하기 위해 수행되었습니다. 우리는 건강에 대한 다중 모드 데이터 융합을 특성화하기 위해 범위 검토를 위한 PRISMA 확장에 따라 이 검토를 수행했습니다. 검색 문자열은 2011년부터 2021년까지 PubMed, Google Scholar 및 IEEEXplore 데이터베이스에서 설정되어 사용되었습니다. 최종 128개 기사 세트가 분석에 포함되었습니다. 다중 모드 방법을 활용하는 가장 일반적인 건강 분야는 신경학과 종양학이었습니다. 초기 융합은 가장 일반적인 데이터 병합 전략이었습니다. 특히, 데이터 융합을 사용할 때 예측 성능이 향상되었습니다. 논문에는 명확한 임상 배포 전략, FDA 승인, 다양한 하위 모집단의 다중 모드 접근 방식을 사용하여 편견과 의료 격차를 어떻게 개선할 수 있는지에 대한 분석이 부족했습니다. 이러한 결과는 건강 진단/예후 문제에 적용되는 다중 모드 데이터 융합에 대한 요약을 제공합니다. 다중 모드 접근 방식의 결과를 단일 모드 예측과 비교한 논문은 거의 없습니다. 그러나 이를 수행한 기업은 예측 정확도가 평균 6.4% 증가했습니다. 다중 모드 기계 학습은 단봉 방법에 비해 추정이 더 강력하지만 확장성 및 정보 연결의 시간 소모적 특성이 있다는 단점이 있습니다.

임상 의사 결정 지원은 오랫동안 건강 분야에서 알고리즘과 기계 학습을 구현하는 사람들의 목표였습니다1,2,3. 알고리즘 결정 지원의 예는 실험실 테스트 값, 영상 프로토콜 또는 임상(신체 검사 점수) 특징을 활용합니다4,5. 일부 건강 진단은 노인의 당뇨병과 같이 단일 실험실 값 또는 단일 임계값으로 이루어질 수 있습니다6. 다른 진단은 징후, 증상, 실험실 수치 및/또는 보조 영상의 조합을 기반으로 하며 임상 진단이라고 합니다. 종종 이러한 임상 진단은 확증적 라벨링에 앞서 양성 특징과 음성 특징의 혼합을 요구하는 추가 채점 시스템을 기반으로 합니다.

임상 진단의 작업 방식은 이러한 서로 다른 데이터 입력의 상대적 가중치와 인간 의사 결정 능력의 한계를 강조하는 잠재적인 비선형 관계를 고려하지 못할 수 있습니다. 알고리즘 의사결정 지원의 강점은 이러한 작업을 오프로드하여 이상적으로는 보다 성공적인 결과를 도출하는 데 사용할 수 있다는 것입니다. 이것이 정밀의학의 약속입니다. 정밀 의학/건강은 개인이나 환자의 표현형에 맞는 의료(결정, 치료, 관행 등)를 맞춤화하는 의료 모델을 만드는 것을 목표로 합니다7. 여기에는 종방향으로 환자의 건강 궤적을 추적하는 일,8 종종 유전학/후생유전학9,10 통합, 진단 및 치료에 이 고유한 정보12가 통합되는 수학적 모델링11이 포함됩니다. 이를 장애별로 단일 치료법이 있는 단일 약물 적용 모델과 대조해 보세요. 그림 1은 서로 다른 데이터를 생성하는 병원/진료 센터의 정보 흐름을 보여줍니다. 약물 및 치료 목표와 같은 관심 결과는 궁극적으로 해당 치료 센터의 환자 수준에서 더 나은 의사 결정을 촉진하는 것은 컴퓨터 모델링 및 정보 융합을 통해 이루어집니다. 이러한 현상은 헬스케어 데이터를 활용한 융합연구에 대한 관심을 불러일으켰다.

정보는 의료 센터에서 정보 공유지로 순환적인 패턴으로 이동하며, 여기에서 정보는 변환되고 알고리즘 모델링이 수행됩니다. 이러한 알고리즘은 임상 시험, 표현형 분석, 약물 발견 등과 같은 다양한 건강 결과에 대한 통찰력을 제공합니다. 이러한 통찰력은 가능한 가장 효율적이고 증거 기반 의학을 제공하기 위해 보건 센터와 실무자에게 반환되어야 합니다.