[論文レビュー] A Review of Artificial Intelligence Technologies for Early Prediction of Alzheimer's Disease

Kuo Yang, Emad A. Mohammed|arXiv (Cornell University)|Dec 22, 2020

Brain Tumor Detection and Classification参考文献 40被引用数 14

ひとこと要約

本レビューでは、医学的画像データを用いた早期アルツハイマー病（AD）予測における人工知能（AI）分野の最新動向を統合的に概説し、畳み込みニューラルネットワーク（CNNs）、再帰ニューラルネットワーク（RNNs）、オートエンコーダー、グラフ畳み込みネットワークなどのディープラーニングモデルに焦点を当てる。性能、制限事項、前処理技術を評価し、神経画像データを用いたAIによる早期AD検出における役割を包括的に概説する。

ABSTRACT

Alzheimer's Disease (AD) is a severe brain disorder, destroying memories and brain functions. AD causes chronically, progressively, and irreversibly cognitive declination and brain damages. The reliable and effective evaluation of early dementia has become essential research with medical imaging technologies and computer-aided algorithms. This trend has moved to modern Artificial Intelligence (AI) technologies motivated by deeplearning success in image classification and natural language processing. The purpose of this review is to provide an overview of the latest research involving deep-learning algorithms in evaluating the process of dementia, diagnosing the early stage of AD, and discussing an outlook for this research. This review introduces various applications of modern AI algorithms in AD diagnosis, including Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Automatic Image Segmentation, Autoencoder, Graph CNN (GCN), Ensemble Learning, and Transfer Learning. The advantages and disadvantages of the proposed methods and their performance are discussed. The conclusion section summarizes the primary contributions and medical imaging preprocessing techniques applied in the reviewed research. Finally, we discuss the limitations and future outlooks.

研究の動機と目的

• 早期アルツハイマー病の検出に用いられるAI技術を包括的にレビューすること。
• 畳み込みニューラルネットワーク（CNNs）、再帰ニューラルネットワーク（RNNs）、オートエンコーダーなどのディープラーニングモデルが早期AD診断においてどの程度有効であるかを分析すること。
• AIモデルの性能を向上させるために不可欠な医療画像の前処理技術を評価すること。
• 現在のAI手法における制限事項を特定し、今後の研究の方向性を提案すること。

提案手法

• 2015年から2020年までの間の、アルツハイマー病予測におけるAI応用に関する査読付き論文を対象とした体系的レビュー。
• AIモデルを以下のカテゴリーに分類：空間的特徴抽出に適した畳み込みニューラルネットワーク（CNNs）、時系列モデリングに適した再帰ニューラルネットワーク（RNNs）、次元削減と特徴学習に適したオートエンコーダー。
• 脳ネットワーク結合性をモデル化するためのグラフ畳み込みネットワーク（GCNs）と、事前学習モデルを活用するトランスファーラーニングの統合。
• 一般化性能とロバスト性を向上させるためにアンサンブル学習およびオートエンコーダーに基づくアーキテクチャの評価。
• くも膜剥離、強度正規化、アトラスベースのアライメントを含む前処理パイプラインの分析。
• 精度、AUC、感度/特異度などの指標を用いて、異なるデータセット間でのモデル性能を比較。

実験結果

リサーチクエスチョン

• RQ1 神経画像データを用いた早期アルツハイマー病予測において、どのディープラーニングアーキテクチャが最も高い精度を示したか？
• RQ2 正規化やアライメントなどの前処理技術は、AD検出におけるAIモデルの性能にどのように影響するか？
• RQ3 CNNs、RNNs、GCNs、オートエンコーダーの各モデルが早期AD分類において有する相対的利点と制限は何か？
• RQ4 トランスファーラーニングとアンサンブル手法は、多様なデータセット間でのモデル一般化をどの程度向上させるか？
• RQ5 早期AD診断におけるAIの実装に直面する主な課題と今後の研究の方向性は何か？

主な発見

• CNNベースのモデルは、複数の研究でAUCが0.90を超える高い性能を示し、MRIおよびPETスキャンを用いた健康対照群との分類において優れた性能を発揮した。
• RNNおよびLSTMの変種は、縦断的画像データの分析において有望な結果を示し、疾患の進行パターンを捉えることで予測精度を向上させた。
• オートエンコーダーに基づくモデルは、臨床的に重要な特徴を保持したままデータ次元を効果的に削減し、後続の分類性能を向上させた。
• グラフ畳み込みネットワーク（GCNs）は、早期ADに関連する異常な脳ネットワーク結合性を同定する点で、従来のモデルを上回る性能を示した。
• VGG や ResNet などの事前学習モデルを用いたトランスファーラーニングは、小規模なデータセットでも性能を著しく向上させ、過学習を低減した。
• 高い精度を達成しているものの、多様な集団や画像プロトコルにわたる一般化性の欠如が、すべてのモデルタイプにおいて主要な制限要因のままである。