[論文レビュー] A family of interpretable multivariate models for regression and classification of whole-brain fMRI data

Logan Grosenick, Brad Klingenberg+2 more|arXiv (Cornell University)|Oct 18, 2011

Functional Brain Connectivity Studies被引用数 12

ひとこと要約

本論文は、全脳fMRIの回帰および分類を目的とした、解釈可能で頑健かつスパースなグラフ制約付きエンベロープ・ネットワーク（Graph-constrained Elastic Net）およびサポートベクターグラフネット（Support Vector GraphNet）の族を提案する。頑健な損失関数、適応的ペナルティ、構造的スパarsityを統合することで、安定的かつ正確に解釈可能なボクセル選択が達成され、分類精度が著しく向上し、サンプル外データへも一般化可能である。また、従来のVOIベースの解析で検出されなかったタスク関連脳領域を同定することができる。

ABSTRACT

Multivariate machine learning methods are increasingly used to analyze neuroimaging data, often replacing more traditional mass univariate techniques that fit data one voxel at a time. In the functional magnetic resonance imaging (fMRI) literature, this has led to broad application of off-the-shelf classification and regression methods. These generic approaches allow investigators to use ready-made algorithms to accurately decode perceptual, cognitive, or behavioral states from distributed patterns of neural activity. However, when applied to correlated whole-brain fMRI data these methods suffer from coefficient instability, are sensitive to outliers, and yield dense solutions that are hard to interpret without arbitrary thresholding. Here, we develop variants of the the Graph-constrained Elastic Net (GraphNet), ..., we (1) extend GraphNet to include robust loss functions that confer insensitivity to outliers, (2) equip them with adaptive penalties that asymptotically guarantee correct variable selection, and (3) develop a novel sparse structured Support Vector GraphNet classifier (SVGN). When applied to previously published data, these efficient whole-brain methods significantly improved classification accuracy over previously reported VOI-based analyses on the same data while discovering task-related regions not documented in the original VOI approach. Critically, GraphNet estimates generalize well to out-of-sample data collected more than three years later on the same task but with different subjects and stimuli. By enabling robust and efficient selection of important voxels from whole-brain data taken over multiple time points (>100,000 features), these methods enable data-driven selection of brain areas that accurately predict single-trial behavior within and across individuals.

研究の動機と目的

• 全脳で相関のあるfMRIデータに適用される市販の多変量fMRI解析手法における係数の不安定性と解釈困難性を解消すること。
• グラフネットに頑健な損失関数を組み込むことで、全脳fMRI回帰および分類における外れ値への感受性を低減すること。
• 初期推定値に基づいて個々の特徴量の重みをスケーリングする適応的ペナルティを用いて、高次元fMRIデータ（100,000以上）において一貫した正確な変数選択を可能にすること。
• 単一試行の行動をデコードする際の解釈可能性と性能を向上させる、新しいスパース構造的サポートベクターグラフネット分類器（SVGN）を開発すること。
• 提案手法が、異なる被験者および刺激を用いて数か月後に収集された独立したデータセットに対しても良好に一般化できることを示し、行動的に関連する脳領域のデータ駆動型同定を可能にすること。

提案手法

• 外れ値への感受性を低減するため、Huber損失や分位数損失などの頑健な損失関数をグラフ制約付きエンベロープ・ネット（GraphNet）に拡張する。
• 初期推定値に基づいて個々の特徴量の重みをスケーリングする適応的ペナルティを統合し、漸近的に正しい特徴量の選択が可能になるようにする。
• 構造的スパarsityとSVM最適化を組み合わせた、新しいスパース構造的サポートベクターグラフネット（SVGN）分類器を開発し、分類性能を向上させる。
• 脳の解剖的構造を活用して空間的に連続するボクセルの選択を促進するため、グラフ正則化を適用する。これにより、モデルの安定性と解釈可能性が向上する。
• 複数の時間点（100,000以上の特徴量）における高次元fMRIデータを効率的に処理できる、計算スケーラビリティに優れた最適化フレームワークを採用する。
• 交差検証およびサンプル外テストを用いて、異なるデータ収集条件下でもモデルの一般化性能と頑健性を検証する。

実験結果

リサーチクエスチョン

• RQ1 頑健な損失関数は、外れ値が存在する状況下でも多変量fMRIモデルの安定性と精度を向上させることができるか？
• RQ2 グラフネットにおける適応的ペナルティは、高次元fMRIデータにおいて関連するボクセルの一貫した正しい選択を保証できるか？
• RQ3 新規に開発されたスパース構造的SVGN分類器は、従来のVOIベースの手法や一般的な多変量手法よりも、単一試行の行動をデコードする際に優れた性能を示すか？
• RQ4 提案されたモデルは、異なる刺激および被験者を用いて数か月後に収集された独立したfMRIデータセットに対しても一般化できるか？
• RQ5 これらのモデルは、従来のVOIベースのアプローチでは検出されなかったタスク関連脳領域を同定できるか？

主な発見

• 提案された頑健で適応的ペナルティを備えたグラフネットモデルは、同じfMRIデータセットに対して従来のVOIベースの解析と比較して、分類精度が著しく向上した。
• モデルは、元のVOIベースの研究では記録されていなかったタスク関連脳領域を同定した。これは、分散した神経パターンに対する感受性が向上したことを示している。
• グラフネット推定値は、3年後に異なる被験者および刺激を用いて収集されたサンプル外データに対しても強く一般化する性能を示し、モデルの頑健性を裏付けた。
• スパース構造的SVGN分類器は、構造的スパarsityと空間的一致性を保ちながら、単一試行の行動を高精度にデコードした。
• 適応的ペナルティの統合により、重要なボクセルの一貫した安定的選択が達成され、任意のしきい値設定の必要が減少した。
• これらの手法は、複数の時間点における高次元fMRIデータ（100,000以上の特徴量）を効果的に処理でき、行動的に関連する脳領域の効率的かつデータ駆動型の同定を可能にした。