DeepDiff-SHAP：条件付きSHAPを用いたサブグループ固有の因果仮説生成のための解釈可能なディープラーニング

科学分野:

• 生物医学データサイエンス
• 因果推論
• 精密医療

背景:

• 精密医療は、遺伝的、臨床的、環境的要因の個々の変動に合わせて医療を調整する必要があります。
• 標準的な因果推論方法は、集団の異質性を見落としがちであり、サブグループ固有の因果関係の特定を妨げています。
• 複雑な生物医学データは、患者サブグループ間の差次的因果効果の検出に課題をもたらします。

研究 の 目的:

• 患者サブグループ間で因果関係の変化を検出するための新しいフレームワークであるDeepDiff-SHAPを導入すること。
• ディープラーニングと回帰ベースの方法を、条件付きSHapley Additive exPlanations（SHAP）と統合し、非線形差次的因果推論を行うこと。
• 精密医療における個別化された因果経路の解明のためのスケーラブルで解釈可能なソリューションを提供すること。

主な方法:

• 回帰ベースおよびディープラーニングベースの差次的因果推論を組み合わせたフレームワークであるDeepDiff-SHAPを開発しました。
• 条件付きSHAP（Shapley Additive exPlanations）を統合して、条件付き依存関係を推定し、非線形差次的因果推論を実行しました。
• このフレームワークを、CDC糖尿病健康指標データセットおよび高血圧状態によって層別化されたUKバイオバンク敗血症コホートに適用しました。

主要な成果:

• 人口規模のデータセット内で、臨床的に意味のある、サブグループ固有の因果的特徴関係の変化を特定しました。
• 分析されたコホートにおける年齢、一般的な健康状態、アルカリ性ホスファターゼ、およびコレステロールに関連する差次的因果効果を検出しました。
• 線形モデルでは見逃される複雑な相互作用パターンに対する感度をディープラーニングが向上させることを実証しました。

結論:

• DeepDiff-SHAPは、個別化された因果経路を解明するためのスケーラブルで解釈可能なアプローチを提供し、精密医療を前進させます。
• このフレームワークは、疾患の進行と併存疾患特異的リスクメカニズムに関する新しい生物学的洞察を提供します。
• ディープラーニングを用いた差次的因果推論は、生物医学データにおける異質性を理解するために不可欠です。