[論文レビュー] Autism Spectrum Disorder Classification using Graph Kernels on Multidimensional Time Series

Rushil Anirudh, Jayaraman J. Thiagarajan+2 more|arXiv (Cornell University)|Nov 29, 2016

Functional Brain Connectivity Studies参考文献 18被引用数 6

ひとこと要約

本論文は、多変量fMRI時系列を用いて自閉症スペクトラム障害（ASD）の重症度を分類するためのグラフカーネルベースのフレームワークを提案する。空間的・時間的脳ネットワークダイナミクスを活用し、相関、ℓ₁-ノルムスパースコーディング、時系列遅れ埋め込みの恒常ホモロジーを用いてグラフを構築し、カーネルSVMにグラフカーネルを適用することで、2つのABIDEデータセットにおいて従来のカーネルよりも顕著に高い分類精度を達成した。

ABSTRACT

We present an approach to model time series data from resting state fMRI for autism spectrum disorder (ASD) severity classification. We propose to adopt kernel machines and employ graph kernels that define a kernel dot product between two graphs. This enables us to take advantage of spatio-temporal information to capture the dynamics of the brain network, as opposed to aggregating them in the spatial or temporal dimension. In addition to the conventional similarity graphs, we explore the use of L1 graph using sparse coding, and the persistent homology of time delay embeddings, in the proposed pipeline for ASD classification. In our experiments on two datasets from the ABIDE collection, we demonstrate a consistent and significant advantage in using graph kernels over traditional linear or non linear kernels for a variety of time series features.

研究の動機と目的

• 空間的・時間的脳ネットワークダイナミクスをモデル化することで、安静状態fMRIデータを用いたASD重症度分類の精度を向上させること。
• 言語能力や発達段階などの被験者固有要因やfMRI撮影プロトコルのばらつきによる既存モデルの一般化性能の低さという課題に対処すること。
• グラフカーネル手法が脳領域からの多次元時系列データにおける複雑で非線形な関係をどのように捉えられるかを評価すること。
• 相関、ℓ₁-グラフ、恒常ホモロジーの3つの異なるグラフ構築戦略が分類性能に与える影響を比較すること。
• グラフカーネルがASD分類タスクにおいて、従来の線形および非線形カーネルを常に上回ることを示すこと。

提案手法

• 相関、ℓ₁-ノルム（スパースコーディングを用いて）、時系列遅れ埋め込みの恒常ホモロジーを用いて、fMRI時系列から類似性グラフを構築する。
• トポロジカル解析のため、各時系列の状態空間を再構築するために、τ=3およびm=2を用いた時系列遅れ埋め込み（TDE）を適用する。
• 恒常ホモロジーからのベッチ-1数を用いてパーシステント図を生成し、それらをパーシステントスケールスペース類似度で比較する。
• 得られた類似性行列を隣接行列として扱い、しきい値処理を施して二値グラフを形成し、カーネル計算に用いる。
• 特に、パーシステント図に対するガウスカーネルおよび再生核ヒルバート空間（RKHS）における内積によって定義されるグラフカーネルを用いて、被験者間の類似性を計算する。
• グラフカーネル特徴量を用いて、被験者を1人ずつ除外する交差検証法（leave-one-out cross-validation）でカーネルSVM分類器を学習し、ASD重症度レベル（軽度、中等度、重度）を予測する。

実験結果

リサーチクエスチョン

• RQ1 グラフカーネルは、ASD分類のためのfMRI時系列における空間的・時間的ダイナミクスを効果的に捉えることができるか？
• RQ2 相関、ℓ₁-グラフ、恒常ホモロジーの各グラフ構築法は、予測性能においてどのように比較されるか？
• RQ3 グラフカーネルを用いることで、従来の線形および非線形カーネルに比べて、ASD重症度分類において顕著な改善が得られるか？
• RQ4 恒常ホモロジーからのトポロジカル特徴は、標準的な類似性指標を上回る分類性能向上にどの程度寄与するか？
• RQ5 異なるfMRIデータセット、特に撮影プロトコルの異なるデータセットにおいて、提案されたグラフカーネルアプローチは頑健か？

主な発見

• 相関ベースのグラフを用いたグラフカーネルは、UCLAデータセットで55.17%の分類精度を達成し、最良の従来カーネル（RBF：32.75%）を顕著に上回った。
• USMデータセットでは、相関ベースのグラフを用いたグラフカーネルが42.85%の精度を示し、次に良い従来カーネル（PCA：42.85%）を上回り、一貫した改善が確認された。
• ℓ₁-グラフに基づくグラフカーネルは、UCLAデータセットで50.00%の精度を達成し、スパースコーディングに基づく類似性指標でさえも強力な性能を示した。
• ベッチ-1パーシステント図をグラフ構築法として用いた場合、UCLAデータセットで48.27%の精度を達成し、トポロジカル特徴の分類への価値を示した。
• ℓ₁-グラフとパーシステント図特徴を組み合わせたサムカーネルは、UCLAデータセットで46.55%の精度を達成し、複数のグラフタイプを組み合わせることで性能向上が図れることが示された。
• グラフカーネルは、両方のデータセットにおいてすべての従来カーネルを常に上回り、複雑で動的な脳ネットワーク相互作用をモデル化する上で優位性を確認した。