[論文レビュー] Autism Classification Using Brain Functional Connectivity Dynamics and Machine Learning

Ravi Tejwani, Adam Liska+3 more|arXiv (Cornell University)|Dec 21, 2017

Functional Brain Connectivity Studies参考文献 10被引用数 26

ひとこと要約

本研究では、自閉症スペクトラム障害（ASD）の分類のための動的神経画像特徴として、脳機能的結合性（FC）の時間的変動性を用いることを提案する。ABIDEデータセットの安静状態fMRIデータを分析することで、200の脳領域におけるノード変動性を算出し、SVM、ランダムフォレストなどの機械学習モデルをこれらの動的FC特徴で訓練した。その結果、ASDと対照群を区別する際の最高で65％の正確性を達成した。これは、ノード強度などの静的FC指標と同等またはそれ以上の性能であり、動的FC指標がASD分類に有効である可能性を示している。

ABSTRACT

The goal of the present study is to identify autism using machine learning techniques and resting-state brain imaging data, leveraging the temporal variability of the functional connections (FC) as the only information. We estimated and compared the FC variability across brain regions between typical, healthy subjects and autistic population by analyzing brain imaging data from a world-wide multi-site database known as ABIDE (Autism Brain Imaging Data Exchange). Our analysis revealed that patients diagnosed with autism spectrum disorder (ASD) show increased FC variability in several brain regions that are associated with low FC variability in the typical brain. We then used the enhanced FC variability of brain regions as features for training machine learning models for ASD classification and achieved 65% accuracy in identification of ASD versus control subjects within the dataset. We also used node strength estimated from number of functional connections per node averaged over the whole scan as features for ASD classification.The results reveal that the dynamic FC measures outperform or are comparable with the static FC measures in predicting ASD.

研究の動機と目的

• 時間的変動性が自閉症スペクトラム障害（ASD）の信頼できるバイオマーカーとして機能するかどうかを調査すること。
• ノード変動性などの動的機能的結合性指標の予測力が、ノード強度などの静的結合性特徴と比較して、ASD分類において優れているかどうかを検証すること。
• 大規模なマルチサイトfMRIデータセットにおける複数の神経画像スキャンサイト間で、動的FCに基づくモデルの頑健性を評価すること。
• ASD患者と対照群に比べて、変動性が顕著に増加している特定の脳領域を同定すること。

提案手法

• 本研究では、2秒の反復時間（TR）を持つサイト（NYU、SDSU、UM、USM）に限定したABIDEデータセットの安静状態fMRIデータを用いる。合計293名（ASD 147名、対照群 146名）の被験者を対象とした。
• 機能的結合性行列は、200領域パーセレーション（CC200）とスライディングウインドウ法（ウインドウ長10〜20ボリューム、20〜40秒）を用いて推定した。
• ノード変動性は、スライディングウインドウ間での特定の脳領域の機能的結合プロファイルの時間的変動として計算され、結合の動的再構成を定量化した。
• SVM、ランダムフォレスト、ナイーブベイズ、マルチレイヤーパーセプトロンなどの機械学習モデルを、ノード変動性特徴とノード強度特徴で訓練した。内部サイト評価には5分割交差検証を用いた。
• 外部サイト一般化を評価するために、1サイトを残して他のサイトで学習する「1サイト除外法」を採用し、正確性、感度、特異度で性能を測定した。
• 頭部運動の影響を排除するため、フレームごとの移動量（frame-wise displacement）を偏回帰処理した。また、対照群で変動性が低く、ASDで変動性が増加するノードを特徴選択の基準とした。

実験結果

リサーチクエスチョン

• RQ1 ASDを有する被験者において、対照群と比較して脳領域の機能的結合性の時間的変動性が顕著に増加しているか？
• RQ2 ノード変動性などの動的機能的結合性指標は、ノード強度などの静的結合性特徴と比較して、ASD分類において優れた性能を示すか、同等の性能を示すか？
• RQ3 マルチサイトfMRIデータセットにおいて、ノード変動性に基づく機械学習モデルは、複数の神経画像スキャンサイト間でどの程度頑健であるか？
• RQ4 どの特定の脳領域で機能的結合性の変動性がASDにおいて顕著に増加しているか？また、これはウインドウ長に依存するか？
• RQ5 フレームごとの移動量（frame-wise displacement）を特徴に含めることで、動的結合性指標を用いた分類の正確性が向上するか？

主な発見

• ASD患者では、対照群と比較して、特にデフォルトモードネットワークおよび感覚運動ネットワーク内において、機能的結合性の変動性が顕著に増加していた。
• ノード変動性を特徴に用いた場合、マルチレイヤーパーセプトロン（MLP）モデルで最高65％の分類正確性を達成した。これは、変動性がASDで増加する低変動性ノードのサブセットを用いた場合の結果であった。
• ノード変動性特徴で訓練したモデルは、静的ノード強度特徴で訓練したモデルと同等またはそれを上回る性能を示した。これは、動的結合性指標がASD分類においてより情報量が多い可能性を示唆している。
• 対照群におけるベースライン変動性と、変動性差（ASD - 対照群）との間には負の相関が見られ、サイトに依存する傾向を示した。特にUM（-0.59）とUSM（-0.64）で相関が強く観察された。
• MLPモデルを用いた外部サイト分類では、約62％の正確性を達成したが、感度と特異度はサイトごとに変動し、スキャンサイト間での中程度の一般化性が示された。
• 平均フレームごとの移動量を特徴セットに含めても分類性能は向上しなかった。これは、観察された効果が運動アーチファクトによって引き起こされているわけではないことを示唆している。