Multimodal domain adaptation under label shift and blockwise missing modalities

Das Rätsel der durcheinandergeratenen medizinischen Hinweise

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber die Hinweise, die Sie haben, sind über verschiedene Tatorte verstreut, in verschiedenen Sprachen geschrieben, und einige fehlen sogar ganz. Dies ist die tägliche Realität für moderne medizinische Forscher, die versuchen, Krankheiten wie Krebs vorherzusagen. Sie haben Zugriff auf einen Schatz an Daten: elektronische Patientenakten, ärztliche Notizen, MRT-Aufnahmen und Gentests. Dies wird als „multimodale“ Daten bezeichnet, weil sie in vielen verschiedenen Formen oder „Modi“ vorliegen.

Es gibt jedoch einen Haken. Ein Krankenhaus mag großartige Röntgenbilder haben, aber keine genetischen Daten, während ein anderes genetische Daten hat, aber keine Röntgenbilder. Zudem können die Patienten in den „alten“ Krankenhäusern (den Quellen) anders sein als die Patienten im „neuen“ Krankenhaus (dem Ziel), in dem die Vorhersage tatsächlich benötigt wird. Vielleicht sieht das neue Krankenhaus kränkere Patienten, oder die Krankheit verhält sich dort etwas anders. Dieser Unterschied wird als „Label Shift“ bezeichnet. Wenn Sie versuchen, all diese chaotischen, unvollständigen und unterschiedlichen Datenquellen ohne einen Plan zusammenzuführen, werden Ihre Vorhersagen so verwirrt sein wie ein Detektiv, der versucht, einen Fall mit einer Karte aus einem anderen Land zu lösen. Das Ziel dieser Forschung ist es, herauszufinden, wie man diese verstreuten, unvollkommenen Hinweise kombiniert, um genaue Vorhersagen für eine neue Gruppe von Menschen zu treffen, selbst wenn sich die Regeln des Spiels geändert haben.

Die „Reference Anchor“-Lösung

In dieser Arbeit schlagen die Autoren eine clevere neue Methode zur Lösung dieses Rätsels vor, die sie „reference-anchored domain adaptation“ nennen. Denken Sie an den Versuch, eine Geschichte zu übersetzen, die in mehreren verschiedenen Dialekten geschrieben ist, wobei einige Seiten in manchen Kopien fehlen.

Zuerst stellen die Autoren fest, dass man die Daten nicht einfach zusammenwerfen kann. Wenn man versucht, die „Röntgenbild“-Hinweise aus Krankenhaus A direkt mit den „Genetik“-Hinweisen aus Krankenhaus B abzugleichen, könnte man falsch liegen, weil die Patienten in diesen Krankenhäusern unterschiedlich sind. Es ist, als würde man versuchen, die Größe von Basketballspielern eines Teams mit dem Gewicht von Schwimmern eines anderen Teams zu vergleichen, ohne dies auf den jeweiligen Sport anzupassen. Die Autoren argumentieren, dass man zuerst herausfinden muss, wie das „Ergebnis“ (wie etwa, ob ein Patient krank wird) in der neuen Zielgruppe verteilt ist, und dann die alten Daten anpassen muss, um dieser neuen Realität zu entsprechen, bevor man die Hinweise kombiniert.

Um dies zu erreichen, verwenden sie eine „Referenzmodalität“. Stellen Sie sich vor, jedes einzelne Krankenhaus, alt und neu, besitzt einen Standard-Ausweis mit Basisinformationen wie Alter und Geschlecht. Dies ist die „Referenz“. Die Autoren nutzen diesen gemeinsamen Ausweis, um zu schätzen, wie die Krankheitsraten in der neuen Zielgruppe aussehen. Sobald sie das „Gefühl“ (den Vibe) des Ziels kennen, gewichten sie die alten Daten so um, dass sie so wirken, als kämen sie aus der neuen Gruppe.

Dann kommt der knifflige Teil: die fehlenden Stücke. Einige Krankenhäuser haben Röntgenbilder, andere Bluttests, aber niemand hat beides. Die Autoren nutzen ein mathematisches Werkzeug namens „Canonical Correlation Analysis“ (CCA), um die verborgenen Verbindungen zwischen dem Referenz-Ausweis und den anderen Hinweisen (wie Röntgenbildern oder Bluttests) in der Zielgruppe zu finden. Dies schafft eine „gemeinsame Sprache“ oder eine gemeinsame Landkarte. Dann verwenden sie eine Technik namens „Ridge Regression“, um die Hinweise aus den Quell-Krankenhäusern in diese neue gemeinsame Sprache zu übersetzen. Es ist, als hätte man einen Übersetzer, der den Dialekt der Zielgruppe perfekt beherrscht und die verstreuten Notizen aus den alten Krankenhäusern nehmen und so umschreiben kann, dass sie in die neue Landkarte passen.

Schließlich nutzen sie diese abgestimmten Hinweise, um das Ergebnis vorherzusagen. Die Arbeit führt auch einen „Surrogat“-Trick ein, falls die alten Krankenhäuser keine perfekten Labels (wie eine bestätigte Diagnose) haben. Sie verwenden ein groberes, leichter zu erlangendes Signal (wie die Vermutung eines Computers), um die Brücke zu bauen, und verfeinern diese dann mit den wenigen perfekten Labels, die sie tatsächlich haben.

Was sie fanden

Die Autoren testeten diese Idee auf zwei Arten: mit Computersimulationen und mit echten Daten von Patienten mit renalem Zellkarzinom (einer Art Nierenzellkrebs).

In ihren Simulationen erschufen sie künstliche Welten, in denen Daten in Blöcken fehlten und die Krankheitsraten zwischen den Gruppen unterschiedlich waren. Sie fanden heraus, dass ihre Methode wesentlich besser darin war, Ergebnisse vorherzusagen, als einfach alle Daten in ein Standard-Maschinelles-Lernmodell zu werfen. Konkret verbesserte ihre Methode die Genauigkeit der Vorhersagen um etwa 20 % und reduzierte den Fehler in den Wahrscheinlichkeitsschätzungen um fast 52 % im Vergleich zu einem populären Modell namens XGBoost, das ihre speziellen Abgleichstechniken nicht verwendete. Sie zeigten auch, dass ihre Methode selbst dann sehr nah an die Leistung mit allen perfekten Labels herankam, wenn sie nur wenige perfekte Labels und hauptsächlich grobe „Surrogat“-Labels zur Verfügung hatten.

Im Realwelt-Test untersuchten sie 7.713 Patienten mit Nierenkrebs. Sie nutzten Daten von Patienten, die zwischen 2000 und 2016 behandelt wurden, als „Quelle“ und Patienten aus den Jahren 2017 bis 2022 als „Ziel“. Die Daten waren chaotisch: Einige Patienten hatten nur Basisdaten, andere CT-Scans und einige hatten beides. Auch die Rezidivraten (Rückfallraten) hatten sich im Laufe der Zeit verschoben. Ihre Methode sagte erfolgreich voraus, welche Patienten innerhalb von 12 Monaten einen Rückfall erleiden würden. Sie war die genaueste Methode zur Vorhersage der Wahrscheinlichkeit eines Rückfalls (gemessen an einem Score namens BSS) und war am besten darin, die tatsächliche Rate der Erkrankung in der neuen Gruppe abzubilden (Kalibrierung). Während andere Methoden zwar ganz okay darin waren, Patienten zu ranken (wer ist kränker als wer), lagen sie bei den tatsächlichen Risikozahlen oft daneben. Die Methode der Autoren hingegen traf sowohl das Ranking als auch die Risikozahlen richtig.

Die Arbeit schließt explizit die Idee aus, dass man einfach alle Daten zusammenführen kann oder dass man die Daten abgleichen kann, ohne zuerst für den Unterschied in den Krankheitsraten zu korrigieren. Sie zeigten, dass das Vorgehen auf die „alte Weise“ zu schlecht kalibrierten Vorhersagen führt. Sie demonstrierten zudem, dass ihre Methode auch dann funktioniert, wenn die Daten aus verschiedenen Quellen völlig unterschiedlich sind (blockweise fehlend) und wenn die Labels spärlich gesät sind.

Kurz gesagt: Die Autoren schlagen vor, dass wir durch die Nutzung eines gemeinsamen Referenzpunktes, um zuerst die Zielgruppe zu verstehen, und durch die anschließende sorgfältige Übersetzung der verstreuten Hinweise aus anderen Gruppen in diesen Kontext, viel zuverlässigere medizinische Vorhersagen treffen können. Dieser Ansatz rät nicht nur; er baut eine stabile Brücke zwischen verschiedenen Datenwelten und stellt sicher, dass die Vorhersagen für die Zukunft in der Realität der Gegenwart verwurzelt sind.