[論文レビュー] A global feature extraction model for the effective computer aided diagnosis of mild cognitive impairment using structural MRI images

Chen Fang, Panuwat Janwattanapong+2 more|arXiv (Cornell University)|Dec 2, 2017

Dementia and Cognitive Impairment Research参考文献 9被引用数 3

ひとこと要約

本稿では、構造的MRIからの軽度認知障害（MCI）の早期診断を改善するために、ガウス線形判別分析（GDA）に基づく二重の高次元意思決定空間を用いたグローバル特徴抽出モデルを提案する。両側大脳半球からの特徴を統合した統一分類器を採用することで、保留済みテストデータ上でF1スコア91.06%、正答率88.78%を達成し、従来の局所的特徴抽出手法を上回る性能を示した。

ABSTRACT

Multiple modalities of biomarkers have been proved to be very sensitive in assessing the progression of Alzheimer's disease (AD), and using these modalities and machine learning algorithms, several approaches have been proposed to assist in the early diagnosis of AD. Among the recent investigated state-of-the-art approaches, Gaussian discriminant analysis (GDA)-based approaches have been demonstrated to be more effective and accurate in the classification of AD, especially for delineating its prodromal stage of mild cognitive impairment (MCI). Moreover, among those binary classification investigations, the local feature extraction methods were mostly used, which made them hardly be applied to a practical computer aided diagnosis system. Therefore, this study presents a novel global feature extraction model taking advantage of the recent proposed GDA-based dual high-dimensional decision spaces, which can significantly improve the early diagnosis performance comparing to those local feature extraction methods. In the true test using 20% held-out data, for discriminating the most challenging MCI group from the cognitively normal control (CN) group, an F1 score of 91.06%, an accuracy of 88.78%, a sensitivity of 91.80%, and a specificity of 83.78% were achieved that can be considered as the best performance obtained so far.

研究の動機と目的

• 認知症（CN）対MCI、CN対アルツハイマー病（AD）、MCI対ADという各二値比較に別々の特徴セットを必要とする局所的特徴抽出手法の限界を解消し、臨床応用性を高めること。
• 両側大脳半球のデータを活用する二重の高次元意思決定空間を用いた統一グローバル特徴抽出モデルを構築し、分類性能を向上させること。
• 分散分析（ANOVA）に基づく特徴順位付けを用いて、アルツハイマー病の進行と関連する最も顕著な皮質領域を同定すること。
• 構造的MRIと機械学習を用いたMCIの早期診断で最先端の性能を達成すること。
• 交差検証を超えた汎用性を保証するため、保留済みテストセットを用いてモデルを検証すること。

提案手法

• 本手法は、左および右大脳半球から導出された二重の高次元意思決定空間に基づくグローバルGDA分類器を採用する。
• 25のFreeSurferラベル付き皮質領域から、表面積、移動深さ、測地的深さ、平均曲率、凸性、厚さ、体積の7つの形態測定指標を用いて特徴を抽出する。
• 1つの半球あたり175変数（7指標 × 25領域）が生成され、これらが分類のための単一のグローバル特徴空間に統合される。
• 分散分析（ANOVA）を用いてp値に基づき特徴を順位付けし、3つの診断群（CN、MCI、AD）間で最も判別能の高い特徴を同定する。
• モデル性能の評価には10分割交差検証を用い、最終的な検証には20%の保留済みテストセットを適用する。
• グローバル分類器の性能に基づき最適な特徴セットを選択し、内嗅皮質が最も顕著な領域であると特定された。

実験結果

リサーチクエスチョン

• RQ1 両側大脳半球のデータを統合するグローバル特徴抽出モデルは、従来の局所的特徴抽出手法に比べ、認知的に正常な対照群（CN）と比較してMCIを分類する際に優れた性能を示すか？
• RQ2 構造的MRIからの形態測定指標に基づき、アルツハイマー病の進行に関連する最も顕著な皮質領域は何か？
• RQ3 GDAに基づく分類器に二重の高次元意思決定空間を用いることで、単一半球または局所的特徴アプローチに比べ、MCIの早期診断性能が向上するか？
• RQ4 提案されたモデルは、保留済みテストセットにおいてCN対MCI分類で最先端の性能を達成できるか？
• RQ5 内嗅皮質は、特徴順位付けと分類結果から確認されたMCIの早期検出に最も判別能の高い領域であるか？

主な発見

• 提案されたグローバルGDAベースのモデルは、保留済みテストセットにおいて、CN対MCI分類でF1スコア91.06%、正答率88.78%、感度91.80%、特異度83.78%を達成した。
• 本モデルは、文献に報告された最近の交差検証結果を著しく上回り、特に挑戦的なCN対MCI比較において顕著な優位性を示した。
• 内嗅皮質は、AD進行と関連する最も顕著な皮質領域として同定され、既知の神経病理学的所見と整合的であった。
• 上位5つの領域（内嗅、中側頭、下側頭、海馬傍、側頭内側）は、すべてADの特徴的領域として確認され、特徴順位付け手法の妥当性が裏付けられた。
• 二重意思決定空間を用いたグローバル分類器は、すべての比較（CN対MCI、CN対AD、MCI対AD）において、局所モデルに比べ性能が向上した。
• 最適な特徴セットには左半球から48の特徴、右半球から61の特徴が含まれており、分類能の非対称性が顕著に現れた。