[論文レビュー] A Deep-Generative Hybrid Model to Integrate Multimodal and Dynamic Connectivity for Predicting Spectrum-Level Deficits in Autism

Niharika Shimona D’Souza, Mary Beth Nebel+5 more|arXiv (Cornell University)|Jul 3, 2020

Advanced Neuroimaging Techniques and Applications参考文献 31被引用数 4

ひとこと要約

本稿では、自閉症スペクトラム障害（ASD）における多次元的臨床重症度を予測するために、動的機能的MRI（rs-fMRI）結合と拡散テンソル画像法（DTI）トラクトグラフィを統合する深層生成ハイブリッドモデルを提案する。解剖学的知見を組み込んだ機能的ネットワークを抽出する構造的正則化動的辞書学習（sr-DDL）と、時間的ダイナミクスをモデル化し重症度を予測するLSTM-ANNを用いたフレームワークは、交差検証によるマルチスコア予測で最先端の性能を達成し、一般化性能が向上するとともに解釈可能な神経サインチャを提供する。

ABSTRACT

We propose an integrated deep-generative framework, that jointly models complementary information from resting-state functional MRI (rs-fMRI) connectivity and diffusion tensor imaging (DTI) tractography to extract predictive biomarkers of a disease. The generative part of our framework is a structurally-regularized Dynamic Dictionary Learning (sr-DDL) model that decomposes the dynamic rs-fMRI correlation matrices into a collection of shared basis networks and time varying patient-specific loadings. This matrix factorization is guided by the DTI tractography matrices to learn anatomically informed connectivity profiles. The deep part of our framework is an LSTM-ANN block, which models the temporal evolution of the patient sr-DDL loadings to predict multidimensional clinical severity. Our coupled optimization procedure collectively estimates the basis networks, the patient-specific dynamic loadings, and the neural network weights. We validate our framework on a multi-score prediction task in 57 patients diagnosed with Autism Spectrum Disorder (ASD). Our hybrid model outperforms state-of-the-art baselines in a five-fold cross validated setting and extracts interpretable multimodal neural signatures of brain dysfunction in ASD.

研究の動機と目的

• ASDにおける連続的臨床重症度を予測するため、マルチモーダル神経画像（rs-fMRIとDTI）および動的結合を統合する統一フレームワークの構築を目的とする。
• 従来の手法が静的コネクトームや単一モodalティックに限定されていること、特に連続的行動障害の予測に限界があることに対処することを目的とする。
• rs-fMRIの動的分解にDTIからの解剖学的事前知識を組み込むことで、機能的ネットワーク分解の解釈可能性と生物学的妥当性を向上させることを目的とする。
• LSTM-ANNを用いて機能的結合パターンの時間的変化をモデル化し、多次元臨床スコアの予測精度を向上させることを目的とする。

提案手法

• フレームワークは、構造的正則化動的辞書学習（sr-DDL）モデルを用い、時間的に変化するrs-fMRI相関行列を共有基底ネットワーク（B）と被験者固有の動的負荷（c^t_n）に分解する。このプロセスは、DTIトラクトグラフィ行列によってガイドされる。
• sr-DDLの目的関数は、DTI結合性によって定義される重み付きノルムの下で相関行列の再構成誤差を最小化し、解剖学的妥当性を強制する。
• 被験者固有の動的負荷（c^t_n）は、時間的トレンドをモデル化しM次元臨床重症度スコアを予測するLSTM-ANNブロックに供給される。
• 結合最適化手順により、基底ネットワーク（B）、動的負荷（c^t_n）、および深層ニューラルネットワーク重み（Θ）が連携された目的関数を通じて同時に学習される。
• A-ANNでは注意メカニズムを採用し、予測に最も関連する時間間隔を特定することで、解釈可能性を向上させる。
• フレームワークは57例のASD被験者を対象に5分割交差検証で訓練・検証され、中央絶対誤差（MAE）および相互情報量（MI）を用いて性能が評価された。

実験結果

リサーチクエスチョン

• RQ1 動的rs-fMRI結合と構造的DTI情報のハイブリッド深層生成モデルは、ASDにおける連続的臨床重症度を効果的に予測できるか？
• RQ2 DTIトラクトグラフィを解剖学的事前知識として組み込むことで、rs-fMRIにおける機能的ネットワーク分解の解釈可能性と正確性はどのように向上するか？
• RQ3 機能的結合の時間的ダイナミクスをモデル化することで、静的モデルと比較して多次元ASD症状重症度の予測性能はどの程度向上するか？
• RQ4 深層ネットワーク内の学習された動的負荷および注意メカニズムは、ASDにおける生物学的に意味のある、被験者固有の脳機能障害パターンを明らかにできるか？
• RQ5 生成モデルと深層学習コンponentの共同最適化は、分離またはベースラインモデルと比較して、未観測被験者への一般化性能をどのように向上させるか？

主な発見

• 提案されたハイブリッドモデルは、すべての臨床スコアにおいてテストデータで最小の中央絶対誤差（MAE）を達成し、ADOSでは2.84、SRSでは17.81、Praxisでは13.50を記録し、すべてのベースラインを上回った。
• テストデータで最高の相互情報量（MI）を達成した（ADOSでは0.34、SRSでは0.88、Praxisでは0.85）、臨床重症度との強い予測的関係を示した。
• sr-DDLモデルは、4つの解釈可能なサブネットワークを効果的に抽出した：1つはデフォルトモードネットワーク（DMN）に関連し、1つは視覚的・運動性領域に関連し、1つは中枢制御および島皮質ネットワークに関連し、1つは社会的・感情的調節に関与する前頭前野および側坐核領域に関連した。
• A-ANN内の注意メカニズムは、予測に最も寄与する時間間隔（初期スキャン対比後期スキャン）を特定し、動的結合パターンの被験者固有の多様性を反映した。
• モデルは優れた一般化性能を示し、予測プロットにおいてテスト性能が理想の対角線に近く一致した。一方、ベースラインは個々のスコアで過学習を示した。
• アブレーションスタディでは、DTI正則化を除去した場合、テストMAEが上昇（ADOSでは3.27）し、MIが低下（0.26）した。これにより、構造的事前知識がモデルのロバストネスと解釈可能性を向上させることの価値が確認された。