[論文レビュー] A review of heterogeneous data mining for brain disorders

Bokai Cao, Xiangnan Kong+1 more|arXiv (Cornell University)|Aug 5, 2015

Functional Brain Connectivity Studies参考文献 76被引用数 3

ひとこと要約

本論文は、fMRI、DTI、PETなどの複数モodalなデータを用いた、異種脳疾患解析のための高度なデータマイニング技術をレビューする。主にテンソルベースの神経画像データ、脳結合ネットワーク、マルチビュー臨床特徴に焦点を当て、テンソル分解、部分グラフパターンマイニング、マルチビュー特徴選択を用いて、アルツハイマー病やパーキンソン病などの疾患の早期診断と病態理解の向上を目的とした統合的手法を提案する。

ABSTRACT

With rapid advances in neuroimaging techniques, the research on brain disorder identification has become an emerging area in the data mining community. Brain disorder data poses many unique challenges for data mining research. For example, the raw data generated by neuroimaging experiments is in tensor representations, with typical characteristics of high dimensionality, structural complexity and nonlinear separability. Furthermore, brain connectivity networks can be constructed from the tensor data, embedding subtle interactions between brain regions. Other clinical measures are usually available reflecting the disease status from different perspectives. It is expected that integrating complementary information in the tensor data and the brain network data, and incorporating other clinical parameters will be potentially transformative for investigating disease mechanisms and for informing therapeutic interventions. Many research efforts have been devoted to this area. They have achieved great success in various applications, such as tensor-based modeling, subgraph pattern mining, multi-view feature analysis. In this paper, we review some recent data mining methods that are used for analyzing brain disorders.

研究の動機と目的

• fMRI、DTI、PETなどの多様なモダリティからの高次元で構造的な神経画像データを分析する課題に対処する。
• テンソル、脳ネットワーク、臨床ベクトルといった異種データ表現を統合し、疾患の検出と病態の理解を向上させる。
• 従来のベクトルベースのデータマイニングの限界を克服し、脳疾患研究におけるテンソルおよびグラフ構造データに特化した手法を開発する。
• マルチモーダルで補完的なデータソースを活用して、神経変性疾患および精神疾患の早期診断を可能にする。
• テンソル解析、ネットワークマイニング、マルチビュー学習を統合するフレームワークを通じて、脳疾患のためのデータマイニング技術を前進させる。

提案手法

• 多モーダル神経画像データ（例：fMRI）を低ランク成分に分解するため、テンソル分解を適用して次元削減と特徴抽出を実現する。
• 領域に関心（ROI）パラセレーションと相関ベースまたは部分相関ベースのグラフモデリングを用いて、テンソルデータから脳結合ネットワークを構築する。
• 特定の疾患に関連する反復的で生物学的に意味のあるサブネットワークを同定するために、部分グラフパターンマイニングを用いる。
• 臨床的および画像的ビューの両方で特徴の関連性と分類器のパフォーマンスを同時に最適化するラッパー型モデルを用いて、マルチビュー特徴選択を実装する。
• 元の特徴と再構築されたテンソル積特徴の関係を活用する二重手法を用いて、マルチビュー設定における特徴選択を強化する。
• 再帰的特徴削除を組み込んだマルチビューSVMを定式化し、高次元の特徴相互作用を統合し、分類または回帰タスクを支援する。

実験結果

リサーチクエスチョン

• RQ1 テンソルベースのデータマイニング手法は、fMRI や DTI などの高次元でマルチモーダルな神経画像データを効果的にモデル化できるか？
• RQ2 脳結合ネットワークにおいて、特定の脳疾患と相関する最も有益な部分グラフパターンは何か？
• RQ3 マルチビュー特徴選択手法は、異種臨床的および画像的特徴を統合して診断精度を向上させられるか？
• RQ4 脳疾患のための統合的データマイニングフレームワークにおいて、テンソル、グラフ、ベクトル表現を統合する際の課題と機会は何か？
• RQ5 バイオインフォマティクス分野における異種情報ネットワークは、脳疾患に関連する遺伝子-疾患関連性や薬物標的関連性を解明するためにどのように活用できるか？

主な発見

• テンソル分解により、fMRI や DTI などの複雑で多次元な神経画像データからの効果的な次元削減と潜在的特徴抽出が可能である。
• 部分グラフパターンマイニングは、脳疾患に関連する生物学的に意味のある反復的ネットワークモチーフを脳結合グラフから効果的に同定できた。
• 特徴の関連性と分類器パフォーマンスを同時に最適化するマルチビュー特徴選択手法は、単一ビュー手法と比較して診断精度を顕著に向上させた。
• マルチモーダル神経画像データ（例：構造的MRI、fMRI、PET）の統合により、意味的意味が豊かで疾患関連のパターンをよりよく検出できるようになった。
• 元の特徴とテンソル積特徴の関係を活用する二重マルチビュー特徴選択手法は、モデルの解釈性とパフォーマンスを向上させた。
• バイオインフォマティクス分野における異種情報ネットワークは、新しい遺伝子-疾患関連性や薬物標的関連性を明らかにでき、脳疾患の病態メカニズムと治療標的に関する新たな知見を提供した。