[論文レビュー] Biomarker Investigation using Multiple Brain Measures from MRI through XAI in Alzheimer's Disease Classification

Davide Coluzzi, Valentina Bordin+5 more|arXiv (Cornell University)|May 3, 2023

Functional Brain Connectivity Studies被引用数 4

ひとこと要約

本研究では、アルツハイマー病のバイオマーカーを同定するために、深層学習モデル2つ（構造的MRI用ResNet18、脳結合マトリクス用BC-GCN-SE）と、Grad-CAMを用いた説明可能なAI（XAI）を組み合わせた。両モデルが臨床的に関連する脳領域、特に内側側頭側頭葉およびデフォルトモードネットワークに注目していることが示され、それぞれの中央値真正陽性率は0.817および0.703であった。これにより、モデルの解釈可能性と臨床的信頼性が向上した。

ABSTRACT

Alzheimer's Disease (AD) is the world leading cause of dementia, a progressively impairing condition leading to high hospitalization rates and mortality. To optimize the diagnostic process, numerous efforts have been directed towards the development of deep learning approaches (DL) for the automatic AD classification. However, their typical black box outline has led to low trust and scarce usage within clinical frameworks. In this work, we propose two state-of-the art DL models, trained respectively on structural MRI (ResNet18) and brain connectivity matrixes (BC-GCN-SE) derived from diffusion data. The models were initially evaluated in terms of classification accuracy. Then, results were analyzed using an Explainable Artificial Intelligence (XAI) approach (Grad-CAM) to measure the level of interpretability of both models. The XAI assessment was conducted across 132 brain parcels, extracted from a combination of the Harvard-Oxford and AAL brain atlases, and compared to well-known pathological regions to measure adherence to domain knowledge. Results highlighted acceptable classification performance as compared to the existing literature (ResNet18: TPRmedian = 0.817, TNRmedian = 0.816; BC-GCN-SE: TPRmedian = 0.703, TNRmedian = 0.738). As evaluated through a statistical test (p < 0.05) and ranking of the most relevant parcels (first 15%), Grad-CAM revealed the involvement of target brain areas for both the ResNet18 and BC-GCN-SE models: the medial temporal lobe and the default mode network. The obtained interpretabilities were not without limitations. Nevertheless, results suggested that combining different imaging modalities may result in increased classification performance and model reliability. This could potentially boost the confidence laid in DL models and favor their wide applicability as aid diagnostic tools.

研究の動機と目的

• マルチモodalなMRIデータを用いた深層学習により、アルツハイマー病の診断精度を向上させること。
• 説明可能なAI（XAI）技術を適用して、モデルの意思決定を解釈可能にすることで、AIモデルに対する臨床的信頼を高めること。
• Grad-CAMを用いた解釈可能性解析により、モデルの予測を既知の病理的脳領域と照合すること。
• 構造的および機能的脳測定値を統合することで、分類性能および信頼性が向上するかを評価すること。
• Grad-CAMのサリエンシーマップの統計的ランク付けを通じて、アルツハイマー病分類に最も関連する脳パッケージを同定すること。

提案手法

• T1強調画像を用いて、アルツハイマー病を分類する目的でResNet18モデルを学習した。
• 拡散MRIデータから得られる脳結合マトリクスを処理するBC-GCN-SEモデルを開発した。
• 解釈可能性を高めるために、ハーバード・オックスフォードおよびAAL図鑑の132個の脳パッケージからなる脳領域に対して、Grad-CAMを適用した。
• Grad-CAMから得られたサリエンシースコアを解剖学的領域にマッピングし、アルツハイマー病における既知の病理的領域と比較した。
• 統計的検定（p < 0.05）および上位15%の関連性の高いパッケージのランク付けを用いて、モデルのドメイン知識への適合度を評価した。
• 交差検証の各foldにおいて、中央値真正陽性率（TPR）および真正陰性率（TNR）を用いてモデル性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 MRIデータからアルツハイマー病を分類する際、深層学習モデルはどの脳領域に注目しているか？
• RQ2 これらのモデルの注目マップは、アルツハイマー病における既知の病理的領域とどの程度一致しているか？
• RQ3 構造的MRIと脳結合データを統合することで、分類性能および解釈可能性にどのような影響を与えるか？
• RQ4 Grad-CAMのようなXAI技術は、神経変性疾患分類における深層学習モデルの信頼性を効果的に検証・向上させることができるか？
• RQ5 Grad-CAMで同定された最もサリエントな脳パッケージは、デフォルトモードネットワークや内側側頭側頭葉といった臨床的に関連するネットワークに対応しているか？

主な発見

• ResNet18モデルは、中央値真正陽性率（TPR）0.817および中央値真正陰性率（TNR）0.816を達成し、優れた分類性能を示した。
• BC-GCN-SEモデルは、中央値TPR 0.703および中央値TNR 0.738を達成し、中程度の精度ながら臨床的に関連する正確性を示した。
• Grad-CAM解析により、両モデルがアルツハイマー病の病態に関与する重要な領域である内側側頭側頭葉およびデフォルトモードネットワークに注目していることが明らかになった。
• 統計的検定により、上位15%の関連性の高い脳パッケージが、既知の病理的領域と有意に重複していることが確認された（p < 0.05）。
• 解釈可能性解析により、モデルの予測が恣意的ではなく、アルツハイマー病の既知の神経解剖学的知識と整合していることが示された。
• 本結果は、マルチモーダルなMRI統合とXAIを組み合わせることで、モデルの信頼性が向上し、神経変性疾患診断における深層学習の臨床的応用を支援できる可能性があることを示唆している。