Core Concepts
M3Hは、医療分野の様々なタスクを同時に学習することで、単一タスクモデルよりも優れた性能を発揮する。また、タスク間の相互作用を定量的に評価するTIM scoreを提案し、タスク間の関係性を理解することができる。
Abstract
本研究では、医療分野における多様なデータ入力を活用した多タスク機械学習フレームワーク「M3H」を提案している。
M3Hの特徴は以下の通りである:
疾患診断、医療オペレーション、患者表現型の3つの医療分野のタスクを統合的に学習できる。
教師あり分類(二値分類、多クラス分類)、回帰、クラスタリングなど、様々な機械学習問題クラスに対応している。
多様なデータ入力(表形式、時系列、言語、画像)を統合的に活用できる。
新しいタスクの追加や既存のモデルの置き換えが容易に行える柔軟な設計となっている。
タスク間の相互作用を定量的に評価するTIM scoreを提案し、タスク間の関係性を理解することができる。
実験の結果、M3Hは単一タスクモデルと比較して、疾患診断では1.1-34.3%、医療オペレーションでは3.7-10.1%、患者表現型では37.2%の性能向上を示した。また、TIM scoreの分析から、感染症関連のタスクが貧血の予測に役立つことや、炎症性腸疾患が双極性障害のリスク予測に寄与することなど、医療分野間の知見を得ることができた。
M3Hは、医療分野のAI/MLシステム開発を加速し、医療現場での意思決定を支援することが期待される。
Stats
疾患診断タスクでは、感染症関連の学習が貧血の予測に役立つ(∆TIM = 2%)
精神医学分野の双極性障害のリスク予測に、炎症性腸疾患の学習が寄与する(∆TIM = 5%)
Quotes
「M3Hは、医療分野の様々なタスクを同時に学習することで、単一タスクモデルよりも優れた性能を発揮する」
「M3Hは、タスク間の相互作用を定量的に評価するTIM scoreを提案し、タスク間の関係性を理解することができる」