ヘルスケアにおいて「予測分析」はホットな研究領域だ。機械学習モデルによって、例えば疾患の種類や死亡リスクを予測することが可能になってきている。

そんななかMITの研究者らは、不完全な情報からより精度の高い診断結果を導き出すべく、複数のタイプの健康データを融合して扱える手法を開発した。

診断の際に用いるデータにはあいまいなものが含まれていることがある。例えば、正確性が怪しい痛みのレベルの自己報告などだ。

今回開発した手法は、モデル間のコミュニケーションによって欠けている情報を補うものだ。

・患者の感情や痛みのレベルの予測が可能に

研究者らは、「睡眠心臓健康調査2（SHHS2）」のデータセットにてネットワークをトレーニング。データは脳波（EEG）、心電図（ECG）、呼吸パターンの測定値に加え、幸福度、疲労度、社会性…といった聞き取り調査からの情報を含んでいた。

トレーニングでは、ネットワークは各変数が他の変数にどのように影響するかについてのパターンを学習する。例えば、長いあいだ息を止めているのは緊張の表れかもしれないし、痛みを示している可能性もありこれらの判別を要する。

実験では、ネットワークが他の情報のいずれかに基づいて、8つの情報のいずれかを70～80パーセントの精度で予測できた。

・サブモデル間のコミュニケーションで予測値を修正

同手法では2つの革新的技術が用いられている。サブモデルの設置とサブモデル間の相互通信だ。

ニューラルネットワークは、複雑なデータを処理するために各ノードが相互接続して形成されている。研究者らは、ネットワークを入力データそれぞれにマッチするよう調整されたサブモデルに分割した。

一般的なニューラルネットワークでは、単一ノードが、比較的単純な計算から次のノードに送信する出力値を導き出す。今回開発したネットワークではサブモデルを実装することで、各ノードはより複雑な計算ができる単一のネットワークとして機能する。

・痛みや疲労のレベルの定量化へ

また研究者らは、ネットワークで予測を進めつつ、サブモデルが互いに通信できるようにする、「双方向推論ネットワーク（BIN）」と呼ばれる技術を開発した。

この技術は、「バックプロパゲーション」として知られるトレーニング技術の応用だ。バックプロパゲーションは、データが一方向で処理されるのではなく、計算エラーを前のノードに送り返してネットワークのパラメータ値を更新する。

BINでは、出力値から入力値を予測して前のノードに送り返す。すべてのサブモデルは相互に依存し合うネットワークを形成していて、各ノードの出力値は随時変更されていく。

現在研究者らは、ネットワークを実装したデバイスを開発しようとしている。同デバイスでは無線信号により呼吸と心拍数を追跡。これらのデータから患者の感情を推測する。

このように同技術の応用範囲は広く、痛みや疲労のレベルなど、あいまいな健康データを限られた情報から測定するのにも役立つだろう。

参照元：Filling the gaps in a patient’s medical data/MIT News