[論文レビュー] Brain Biomarker Interpretation in ASD Using Deep Learning and fMRI

Xiaoxiao Li, Nicha C. Dvornek+3 more|arXiv (Cornell University)|Aug 23, 2018

Functional Brain Connectivity Studies参考文献 7被引用数 10

ひとこと要約

本論文は、自閉症スペクトラム障害（ASD）のfMRIバイオマーカーを解釈するために、2CC3D DNN分類器と、新規のROIベースの画像劣化および統計的有意性検定手法を組み合わせた2段階のディープラーニングフレームワークを提案する。特定の脳領域を劣化させた後の予測の変化を分析することで、生物学的に妥当なバイオマーカー（例：デフォルトモードネットワークや運動関連領域）を特定し、先行研究と整合性を保ちつつ、DNN活性マップおよび神経機能デコードによる検証を実施。タスク状態fMRIデータセットでは87.1%、安静状態fMRIデータセットでは85.3%の分類精度を達成した。

ABSTRACT

Autism spectrum disorder (ASD) is a complex neurodevelopmental disorder. Finding the biomarkers associated with ASD is extremely helpful to understand the underlying roots of the disorder and can lead to earlier diagnosis and more targeted treatment. Although Deep Neural Networks (DNNs) have been applied in functional magnetic resonance imaging (fMRI) to identify ASD, understanding the data-driven computational decision making procedure has not been previously explored. Therefore, in this work, we address the problem of interpreting reliable biomarkers associated with identifying ASD; specifically, we propose a 2-stage method that classifies ASD and control subjects using fMRI images and interprets the saliency features activated by the classifier. First, we trained an accurate DNN classifier. Then, for detecting the biomarkers, different from the DNN visualization works in computer vision, we take advantage of the anatomical structure of brain fMRI and develop a frequency-normalized sampling method to corrupt images. Furthermore, in the ASD vs. control subjects classification scenario, we provide a new approach to detect and characterize important brain features into three categories. The biomarkers we found by the proposed method are robust and consistent with previous findings in the literature. We also validate the detected biomarkers by neurological function decoding and comparing with the DNN activation maps.

研究の動機と目的

• fMRIを用いたASD分類に応用されたディープラーニングモデルにおける解釈可能性の欠如を解消すること。
• ASDと対照群を区別する信頼性があり生物学的に意味のある脳領域バイオマーカーを同定すること。
• 解釈性マップの信頼性を、従来の可視化手法を上回るよう、解剖学的脳構造と統計的有意性検定を活用した手法を開発すること。
• 神経機能デコード、DNN活性マップ、および既存の文献との比較を通じて、同定されたバイオマーカーを検証すること。

提案手法

• 4次元fMRIデータ上で学習された6層の畳み込み層、4層のマックスプーリング層、2層の全結合層を有する2CC3D DNNを用い、スライディングウィンドウを用いて平均および標準偏差の時系列特徴を抽出する。
• 特定の注目領域（ROIs）のfMRI画像を劣化させるために周波数正規化サンプリング戦略を適用し、劣化中も解剖学的構造を保持する。
• 元の画像と劣化画像の間の予測差を、クラス予測分布間のジェンセン・シャノン発散（JSD）を用いて分析し、推定の安定性を高めるためにブートストラップを用いる。
• 予測シフトの統計的有意性は、予測シフトの2標本t検定を用い、多重比較補正として誤り発見率（FDR）を適用する。
• 各ROIの重要性は、予測シフトの大きさと有意性に基づき、信頼水準（α_JSD）とウィルコクソン検定p値（α_W）を用いて閾値を設定する。
• 神経機能デコードにはNeurosynthを用い、初期のDNN層からの中間活性マップと照合することで、結果の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングを用いたfMRIベースのASD分類において、ASDと対照群を区別するのに最も顕著な脳領域はどれか？
• RQ2 ぼんやりとしたサリエンシーマップを超えて、fMRIベースのASD分類におけるDNNの意思決定プロセスを信頼性高く解釈する方法は何か？
• RQ3 同定されたバイオマーカーは、既知の神経生物学的機能およびASDに関する先行文献と整合性を示すか？
• RQ4 提案手法は、異なるfMRIデータセットおよび実験条件下で安定的かつ信頼性のあるバイオマーカーを検出できるか？

主な発見

• 本手法は2つのデータセットで合計116のROIsを同定し、タスクfMRIデータでは87.1%、安静状態fMRIデータでは85.3%の分類精度を達成した。
• 赤色のROIs（ASD関連）は、視覚処理、運動機能、感情処理に関連する領域を含み、ASD関連の行動特性と整合的であった。
• 緑色のROIs（対照群関連）は主に視覚的注意および実行機能に関連し、タスク中に視覚的キューにより注意を向ける可能性を示唆した。
• 青色のROIs（両群共通）は、自己関連的思考および機能的結合に関連するデフォルトモードネットワークおよび前頭中回（precuneus）に富んでおり、以前ASDと関連づけられていた。
• α_JSDおよびα_Wの異なる統計的閾値においても、バイオマーカー同定の安定性が高く、予測分布が肥尾を示す非常に低いα_JSD値を除いては同様であった。
• DNNの第1および第2畳み込み層からの活性マップは、群間の差が明確に検出されており、第2層では同定されたバイオマーカーと強い一致を示した。