[論文レビュー] Classification of Resting-State fMRI using Evolutionary Algorithms: Towards a Brain Imaging Biomarker for Parkinson's Disease

Amir Dehsarvi, Smith, Stephen L.|arXiv (Cornell University)|Oct 11, 2019

Functional Brain Connectivity Studies参考文献 68被引用数 5

ひとこと要約

本研究では、パーキンソン病（PD）の早期発症を同定するため、PPMIデータセットの安静状態fMRIデータにカルテシアン遺伝的プログラミング（CGP）を新規応用した。正常対照群と前臨床PD患者を区別する際、最大75.21%の正確性を達成し、臨床前バイオマーカーを同定する分野における顕著な進展を示した。CGPは、競争力ある正確性を維持しながら、従来手法を上回る解釈可能性を示し、神経変性疾患における脳イメージングバイオマーカー探索のツールとしての可能性を示した。

ABSTRACT

Accurate early diagnosis and monitoring of neurodegenerative conditions is essential for effective disease management and delivery of medication and treatment. This research develops automatic methods for detecting brain imaging preclinical biomarkers for Parkinson's disease (PD) by considering the novel application of evolutionary algorithms. A fundamental novel element of this work is the use of evolutionary algorithms to both map and predict the functional connectivity in patients using resting state functional MRI data taken from the PPMI to identify PD progression biomarkers. Specifically, Cartesian Genetic Programming was used to classify DCM data as well as time-series data. The findings were validated using two other commonly used classification methods (Artificial Neural Networks and Support Vector Machines) and by employing k-fold cross-validation. Across DCM and time-series analyses, findings revealed maximum accuracies of 75.21% for early stage (prodromal) PD patients versus healthy controls, 85.87% for PD patients versus prodromal PD patients, and 92.09% for PD patients versus healthy controls. Prodromal PD patients were classified from healthy controls with high accuracy - this is notable and represents the key finding of this research since current methods of diagnosing prodromal PD have both low reliability and low accuracy. Furthermore, Cartesian Genetic Programming provided comparable performance accuracy relative to ANN and SVM. Evolutionary algorithms enable us to decode the classifier in terms of understanding the data inputs that are used, more easily than in ANN and SVM. Hence, these findings underscore the relevance of both DCM analyses for classification and CGP as a novel classification tool for brain imaging data with medical implications for disease diagnosis, particularly in early and asymptomatic stages.

研究の動機と目的

• 進化的アルゴリズムを用いて、パーキンソン病の前臨床脳イメージングバイオマーカーを自動同定する手法を開発すること。
• カルテシアン遺伝的プログラミング（CGP）が、安静状態fMRIデータからの機能的結合パターンを分類する性能を評価すること。
• 従来の手法（人工ニューラルネットワーク（ANN）やサポートベクターマシン（SVM））と比較して、CGPの分類正確性および解釈可能性を評価すること。
• 動的因果モデル（DCM）および時系列fMRIデータを用いた、PDの病型（包括して前臨床PDを含む）の区別可能性を評価すること。
• 神経画像診断からの信頼性の高い、データ駆動型バイオマーカーを同定することで、パーキンソン病の早期かつ正確な診断に貢献すること。

提案手法

• カルテシアン遺伝的プログラミング（CGP）を、PPMIイニシアチブによって収集された安静状態fMRIデータから導出された機能的結合パターンの分類に用いた。
• 分類の入力特徴として、時系列データおよび動的因果モデル（DCM）出力を処理した。
• 過学習を低減し、堅牢な性能評価を実現するため、k分割交差検証戦略を適用した。
• 分類性能を、2つの標準的な機械学習モデル（人工ニューラルネットワーク（ANN）およびサポートベクターマシン（SVM））と比較した。
• CGPの解釈可能性を活用し、分類意思決定に最も寄与する脳結合特徴を分析した。
• 進化したCGPプログラムから特徴の重要度を抽出し、分類ルールの生物学的解釈を可能にした。

実験結果

リサーチクエスチョン

• RQ1 進化的アルゴリズム（例：CGP）は、安静状態fMRIデータを効果的に分類し、早期（前臨床）パーキンソン病を同定できるか？
• RQ2 ANN や SVM といった従来のモデルと比較して、CGP の分類正確性は、PD亜型および対照群を区別する際にどの程度優れているか？
• RQ3 CGP は、PD進行の予測に最も関連する機能的結合特徴を明らかにする解釈可能なモデルをどの程度提供できるか？
• RQ4 DCMから得られる結合特徴は、原始的な時系列fMRIデータと比較して、分類性能を向上させるか？
• RQ5 現在の臨床診断の限界を考慮しても、fMRIと進化的計算を用いて前臨床PDを高精度で検出することは可能か？

主な発見

• 提案されたCGPベースの手法は、前臨床パーキンソン病患者と正常対照群を区別する際、最大75.21%の分類正確性を達成した。これは、早期発症の同定における可能性を示している。
• 確定したPD患者と正常対照群を区別する際には、92.09%の正確性に達した。これは、後期疾患における強力な識別能を示している。
• PD患者と前臨床PD患者を区別する際には、85.87%の正確性を達成した。これは、疾患進行段階を検出できる能力を示している。
• CGPは、ANN や SVM と同等の分類性能を示したが、その背後にある意思決定ルールの解釈可能性が優れていた。
• DCMデータの使用が分類性能を向上させた。これは、有効結合のモデリングがバイオマーカー同定を強化することを示唆している。
• CGPの解釈可能性のおかげで、重要な機能的結合特徴が特定可能となり、研究結果の生物学的妥当性および臨床的意義を裏付けた。