[論文レビュー] A Review on Image- and Network-based Brain Data Analysis Techniques for Alzheimer's Disease Diagnosis Reveals a Gap in Developing Predictive Methods for Prognosis

Mayssa Soussia, Islem Rekik|arXiv (Cornell University)|Aug 6, 2018

Dementia and Cognitive Impairment Research参考文献 30被引用数 3

ひとこと要約

このレビューは、2010–2016年のMICCAI会議における画像およびネットワークベースの脳データ技術を、アルツハイマー病（AD）の診断に関して分析し、MCIの進行に対する予測モデリングにおける深刻なギャップを明らかにした。AD、MCI、正常対照群を区別する分類手法は高い正確性を示しており（最大96.7%）、長期的なMCIの予後（ADへの移行、安定、逆転）を予測するモデルはほとんど開発されていない。これは、早期予後において重大な未解決のニーズを示している。

ABSTRACT

Unveiling pathological brain changes associated with Alzheimer's disease (AD) is a challenging task especially that people do not show symptoms of dementia until it is late. Over the past years, neuroimaging techniques paved the way for computer-based diagnosis and prognosis to facilitate the automation of medical decision support and help clinicians identify cognitively intact subjects that are at high-risk of developing AD. As a progressive neurodegenerative disorder, researchers investigated how AD affects the brain using different approaches: 1) image-based methods where mainly neuroimaging modalities are used to provide early AD biomarkers, and 2) network-based methods which focus on functional and structural brain connectivities to give insights into how AD alters brain wiring. In this study, we reviewed neuroimaging-based technical methods developed for AD and mild-cognitive impairment (MCI) classification and prediction tasks, selected by screening all MICCAI proceedings published between 2010 and 2016. We included papers that fit into image-based or network-based categories. The majority of papers focused on classifying MCI vs. AD brain states, which has enabled the discovery of discriminative or altered brain regions and connections. However, very few works aimed to predict MCI progression based on early neuroimaging-based observations. Despite the high importance of reliably identifying which early MCI patient will convert to AD, remain stable or reverse to normal over months/years, predictive models are still lagging behind.

研究の動機と目的

• MICCAI 2010–2016の論文を用いて、画像およびネットワークベースの脳データ解析技術がアルツハイマー病（AD）の診断にどのように応用されているかを最新の状況を評価すること。
• 特に、MCIがADに進行する、安定する、または逆転するといった進行に対する予測モデルの欠如という、現在の手法の限界を特定すること。
• 形態的脳ネットワークや形状ベースの解析が、早期診断の可能性を秘めているにもかかわらず、予測フレームワークでほとんど活用されていないことの強調。
• dementia研究における予後予測の分野で、再現可能で一般化可能で、公開可能な機械学習手法の必要性を強調すること。
• 高度なネットワーク解析および形状解析を機械学習と統合することで、MCIの長期的予後を改善することを提唱すること。

提案手法

• AD、MCI、神経画像法、ネットワーク、分類、予測をキーワードに、MICCAI 2010–2016の論文から28件を系統的レビューで選定。
• 画像ベースの手法（構造的、機能的、拡散MRIを含む）とネットワークベースの手法（機能的および構造的脳結合に焦点を当てたもの）に研究を分類。
• NC vs. AD、NC vs. MCI、cMCI vs. sMCIのタスクにおいて、正確性、AUC、F1スコアなどの指標を用いて分類性能を評価。
• ベースラインMRIを用いたMCIからADへの移行を予測するモデルの分析を行い、12か月および18か月後のフォローアップでの評価を実施。
• 欠落している手法的要素の特定：形態的脳ネットワークの欠如、MCIの進化に関する完全な軌道予測モデルの不在。
• 研究間の結果比較を通じて、異なるデータセット、ベースライン、評価プロトコルに起因する一貫性の欠如を指摘。

実験結果

リサーチクエスチョン

• RQ1 2010年から2016年の神経画像法研究において、ADおよびMCIの分類に用いられる主要な画像およびネットワークベースの手法は何か？
• RQ2 現在の手法は、時間の経過とともにMCIがADに進行する、安定する、または逆転するのを予測するのにどの程度効果的か？
• RQ3 高い性能を示す分類技術があるにもかかわらず、なぜMCIの予後を予測するモデルがほとんどないのか？
• RQ4 皮質厚さや脳の形状変化といった形態的特徴は、既存の予測フレームワークでどの程度活用されているか？
• RQ5 現在の脳データ解析手法における再現性および一般化可能性の主な障壁は何か？

主な発見

• レビューされた研究の大多数が分類タスクに注力しており、画像ベースの手法はcMCIとsMCIの区別で最大96.7%の分類正確性を達成した。
• ネットワークベースの手法はNC/MCI分類で優れた性能を示し、正確性が96.59%に達したが、予後予測にはほとんど使われていなかった。
• MCIの移行を予測するモデルを報告したのはわずか3件（[33]、[34]、[32]）であり、ADへの移行予測の正確性は18か月前で76.53%、12か月前で79.83%であった。
• ADにおいて皮質厚さに変化が生じるという証拠があるにもかかわらず、レビューされた研究のいずれからも形態的脳ネットワークが予測に使われていなかった。
• MCIの進行、安定、正常への逆転の全過程における脳形状変化の軌道を予測する手法は、いかなる研究からも同定されなかった。
• 公開されたモデルの欠如と一貫性のない評価プロトコルが、異なるデータセット間での再現性および一般化可能性を阻害している。