タイムに配慮したLSTMネットワークを用いた患者のサブタイプ分類

さまざまな疾患の研究において、患者間の異質性は疾患の進行パターンの多様性を引き起こし、場合によっては異なる治療介入を必要とする。したがって、疾患特徴を反映するサブタイプに患者を分類する「患者サブタイピング」の研究が重要である。複雑な患者データからのサブタイピングは、情報の異質性および時間的動的変化のため、困難を伴う。長短期記憶（Long-Short Term Memory; LSTM）は、順序データ処理において多くの分野で成功裏に活用されており、近年では縦断的患者記録の分析にも応用されている。しかし、従来のLSTMユニットは、シーケンス内の連続する要素間の時間間隔が一定であることを前提として設計されており、患者記録における連続するデータ間の時間差が数日から数か月にわたり変動する現実を考慮していないため、最適な性能を発揮できない可能性がある。本研究では、縦断的患者記録に見られる不規則な時間間隔に対応するため、新たなLSTMユニット「タイム・アウェアLSTM（T-LSTM）」を提案する。本手法では、セルメモリの部分空間分解を学習し、経過時間に応じてメモリ内容に時間割引（time decay）を適用する仕組みを導入する。さらに、提案するT-LSTMをオートエンコーダ構造に組み込み、患者の順序的記録に対する強力な統合表現を学習する患者サブタイピングモデルを構築した。得られた表現を用いて、臨床的サブタイプに患者をクラスタリングする。合成データおよび実世界データを用いた実験により、提案するT-LSTMアーキテクチャが、時間的な不規則性を持つシーケンスの背後にある構造を効果的に捉えていることが示された。