Bayesian Federated Cause-of-Death Classification and Quantification Under Distribution Shift

Technische Samenvatting: Bayesiaanse Federale Classificatie en Kwantificering van Doodsoorzaken onder Distributieverschuiving

1. Probleemstelling

In lage- en middeninkomenslanden (LMIC's) is de medische certificering van doodsoorzaken vaak niet beschikbaar, waardoor Verbal Autopsy (VA) noodzakelijk is om oorzaken af te leiden via interviews met verzorgers. Hoewel probabilistische algoritmen de plaats hebben ingenomen van deskundige beoordeling bij het analyseren van VA-gegevens, kampen zij met twee kritieke beperkingen:

1. Datatoegang en Privacy: State-of-the-art modellen vereisen doorgaans gecentraliseerde training op grote, gelabelde referentiedatasets. Echter, privacyregelgeving en logistieke beperkingen verhinderen vaak de consolidatie van gegevens uit verschillende regio's, landen of perioden. Bijgevolg worden analisten vaak gedwongen om rigide, met vaste parameters voorzien modellen (bijv. InterVA, Tariff) te gebruiken of te vertrouwen op niet-representatieve lokale data.
2. Distributieverschuiving: VA-gegevens die uit verschillende populaties zijn verzameld, vertonen systematische verschillen in symptoomdistributies ($p(X|Y)$) en prevalentie van doodsoorzaken ($p(Y)$), zelfs voor dezelfde onderliggende oorzaken. Deze verschuivingen, gedreven door epidemiologie, toegang tot gezondheidszorg en culturele normen, verslechteren de prestaties van modellen die getraind zijn op externe data. Bestaande oplossingen om verschuiving aan te pakken vereisen ofwel diverse gepoolde referentiedata, ofwel voldoende lokale gelabelde data, die beide vaak niet beschikbaar zijn.

2. Methodologie: Bayesiaans Federatief Leren (BFL)

De auteurs stellen een Bayesiaans Federatief Leerframework (BFL) voor dat het mogelijk maakt om robuuste VA-modellen te trainen zonder individuele gegevens over domeinen heen te delen. Het framework werkt onder de aanname dat er referentiedata over sterfte bestaat in meerdere domeinen (trainingslocaties), maar dat deze alleen lokaal geanalyseerd kan worden, terwijl het doel-domein mogelijk beperkte of geen gelabelde data heeft.

Kernarchitectuur:

• Basismodellen: Elk trainingsdomein $m$ traint onafhankelijk een "basemodel" (bijv. een latent class model zoals LCVA) op zijn lokale gelabelde data om de conditionele waarschijnlijkheid van symptomen gegeven een oorzaak te schatten, $\hat{p}_m(X|Y)$. Alleen deze modelsamenvattingen (parameters) worden gedeeld, niet de ruwe data.
• Globale Aggregatie: In het doel-domein behandelt het BFL-model de conditionele distributie van symptomen als een gewogen mengsel van de basemodellen:
  $$p_0(X|Y=c) = \sum_{m=1}^M \lambda_{cm} \hat{p}_m(X|Y=c)$$
  Hierbij is $\lambda_{cm}$ het gewicht van het $m$-de bron-domein voor oorzaak $c$. Deze gewichten worden geleerd via een Bayesiaans latent-class aggregatiemodel.
• Generatieve Aanpak: In tegenstelling tot discriminatief federatief leren dat predictiefuncties $p(Y|X)$ aggregeert, aggregeert BFL de generatieve distributie $p(X|Y)$. Dit sluit aan bij het natuurlijke datagenereerproces van VA (symptomen zijn gevolgen van ziekte) en is empirisch robuuster tegen distributieverschuiving.
• Omgaan met Lokale Labels: Het framework biedt drie strategieën om optionele lokale gelabelde data in het doel-domein te integreren:
  1. BFL-domain: Behandelt lokale gelabelde data als een nieuw domein, waarbij een extra basemodel wordt getraind om de convexe enveloppe van de conditionele distributies uit te breiden.
  2. BFL-partial: Gebruikt lokale labels direct om de menggewichten ($\lambda$) en oorzaakfracties ($\pi$) binnen de globale waarschijnlijkheid bij te werken, zonder de basemodellen opnieuw te trainen.
  3. BFL-mix: Een hybride aanpak waarbij de lokale data wordt gesplitst om tegelijkertijd een lokaal model te trainen en de globale gewichten bij te werken.

Inferentie:
Posterior inferentie wordt efficiënt uitgevoerd met behulp van een Gibbs sampler (of Stan), waarbij de oorzaak-specifieke mortaliteitsfracties (CSMF's) $\pi$ en de domeingewichten $\lambda$ worden geschat. De methode ondersteunt zowel de toewijzing van oorzaken op individueel niveau als kwantificering op populatieniveau.

3. Belangrijkste Bijdragen

• Nieuw Framework: Introductie van het eerste VA-specifieke federatieve leerframework dat de noodzaak voor gecentraliseerde gelabelde data elimineert en zowel labelverschuiving ($p(Y)$) als conditionele verschuiving ($p(X|Y)$) aanpakt.
• Modulariteit en Efficiëntie: Het framework is modulair en compatibel met diverse bestaande VA-algoritmen (bijv. LCVA, InSilicoVA) als basemodellen. Zodra de basemodellen getraind zijn, is de globale aggregatiestap computationeel verwaarloosbaar (seconden op een laptop).
• Robuustheid tegen Verschuiving: Door de conditionele waarschijnlijkheid te modelleren in plaats van de posterior waarschijnlijkheid, ontkoppelt de methode expliciet de bron-domein CSMF's van de symptoom-oorzaak relaties, wat robuuste transfer mogelijk maakt, zelfs wanneer bron- en doelpopulaties zeer verschillende mortaliteitsprofielen hebben.
• Flexibele Fine-tuning: De verstrekking van drie verschillende strategieën (domain, partial, mix) om gebruik te maken van lokale gelabelde data, afhankelijk van de ernst van de binnen-target labelverschuiving en de representativiteit van de lokale steekproef.

4. Experimentele Resultaten

De auteurs hebben BFL gevalideerd met behulp van twee real-world datasets: de PHMRC gold-standard volwassen VA-dataset (6 locaties) en de CHAMPS neonatale dataset (7 landen).

• PHMRC Experimenten:

  • Scenario: Leave-one-domain-out experimenten onder variërende graden van binnen-target labelverschuiving (geen, mild, ernstig).
  • Prestaties: BFL-varianten presteerden consistent beter dan enkelvoudige domein-basemodellen (local-self, local-avg).
  • Vergelijking met Joint Modeling: BFL presteerde vergelijkbaar met, en in sommige gevallen beter dan, de "gouden standaard" joint modeling benadering (LCVA met volledige data-pooling), ondanks het gebrek aan toegang tot de ruwe gepoolde data.
  • Gevoeligheid voor Labelverschuiving: Onder ernstige labelverschuiving presteerde BFL-partial (directe gewichtsupdate) beter dan BFL-domain (lokaal model training), omdat de laatste moeite had wanneer lokale gelabelde data niet representatief waren voor de oorzaken die prevalent waren in de ongelabelde doelpopulatie.
  • Calibratiemethoden: Standaard kalibratiemethoden (GBQL) presteerden goed onder willekeurige labeling, maar verslechterden aanzienlijk onder ernstige labelverschuiving of met sterke shrinkage priors, terwijl BFL robuust bleef.

• CHAMPS Experimenten:

  • Prestaties: In de neonatale dataset met hoge klasse-imbalans bereikte BFL een CSMF-nauwkeurigheid die vergelijkbaar is met volledige data LCVA en aanzienlijk beter is dan enkelvoudige domeinmodellen.
  • Interpretatie van Gewichten: De geleerde domeingewichten ($\lambda$) identificeerden effectief welke bron-domeinen de meest informatieve symptoompatronen boden voor specifieke oorzaken, zelfs zonder directe toegang tot de bron-CSMF's.

5. Betekenis en Claims

Het artikel claimt dat BFL een praktische oplossing biedt voor het "data silo"-probleem in de wereldwijde gezondheidszorg. Door analisten in staat te stellen diverse referentiedatasets te benutten zonder de privacybeperkingen te schenden, overbrugt BFL de kloof tussen eenvoudige, rigide modellen en complexe, data-hongerige joint modellen.

• Praktische Impact: Het framework faciliteert de implementatie van geavanceerde, flexibele VA-modellen in real-world mortaliteitssurveillance-systemen waar het delen van gegevens beperkt is.
• Robuustheid: De resultaten tonen aan dat federatieve aggregatie van generatieve modellen effectief kan omgaan met distributieverschuivingen die typisch standaard transfer learning-benaderingen verlammen.
• Kanttekeningen: De auteurs hanteren een bescheiden houding en merken op dat geen enkele methode universeel domineert; de prestaties hangen sterk af van de specifieke aard van de distributieverschuiving en de beschikbaarheid/representativiteit van lokale gelabelde data. Zij benadrukken dat hoewel BFL verbeteringen biedt ten opzichte van bestaande methoden, de fundamentele uitdaging van het valideren van de toewijzing van doodsoorzaken zonder voldoende referentiedoden blijft, en dat claims van het "oplossen" van het probleem met voorzichtigheid moeten worden beschouwd.

Het werk concludeert dat BFL een schaalbare, computationeel efficiënte en robuuste benadering is voor de modernisering van mortaliteitssurveillance in omgevingen met beperkte middelen.