[論文レビュー] Combining Anatomical and Functional Networks for Neuropathology Identification: A Case Study on Autism Spectrum Disorder

Sarah Itani, Dorina Thanou|arXiv (Cornell University)|Apr 25, 2019

Functional Brain Connectivity Studies参考文献 42被引用数 8

ひとこと要約

本稿では、構造的および機能的脳ネットワークを統合することで自閉症スペクトラム障害（ASD）分類を向上させるグラフ信号処理アプローチを提案する。fMRI信号を構造的脳グラフ上にモデル化し、拡張されたフクナガ・コウツ変換を用いて特徴的な周波数ドメイン特徴量を抽出することで、ABIDEデータセット上で優れた分類性能を達成するとともに、診断に重要な領域として前頭前野および側頭葉が浮き彫りにされた。

ABSTRACT

While the prevalence of Autism Spectrum Disorder (ASD) is increasing, research continues in an effort to identify common etiological and pathophysiological bases. In this regard, modern machine learning and network science pave the way for a better understanding of the neuropathology and the development of diagnosis aid systems. The present work addresses the classification of neurotypical and ASD subjects by combining knowledge about both the structure and the functional activity of the brain. In particular, we model the brain structure as a graph, and the resting-state functional MRI (rs-fMRI) signals as values that live on the nodes of that graph. We then borrow tools from the emerging field of Graph Signal Processing (GSP) to build features related to the frequency content of these signals. In order to make these features highly discriminative, we apply an extension of the Fukunaga-Koontz transform. Finally, we use these new markers to train a decision tree, an interpretable classification scheme, which results in a final diagnosis aid model. Interestingly, the resulting decision tree outperforms state-of-the-art methods on the publicly available Autism Brain Imaging Data Exchange (ABIDE) collection. Moreover, the analysis of the predictive markers reveals the influence of the frontal and temporal lobes in the diagnosis of the disorder, which is in line with previous findings in the literature of neuroscience. Our results indicate that exploiting jointly structural and functional information of the brain can reveal important information about the complexity of the neuropathology.

研究の動機と目的

• マルチモodal脳データを用いて神経形態的（NT）と自閉症スペクトラム障害（ASD）の被験者を区別するデータ駆動型で解釈可能な分類モデルを開発すること。
• 統一されたグラフ信号処理（GSP）フレームワーク内に構造的結合（SC）と機能的結合（FC）の情報を統合すること。
• グラフフーリエ変換と拡張されたフクナガ・コウツ変換を用いて、安静状態fMRI信号の周波数成分から特徴を抽出すること。
• 意思決定ツリー分類器を用いることで、診断に影響を与える生物学的に意味のある脳領域を明らかにすることにより、モデルの解釈可能性を保証すること。
• 公開済みのABIDEデータセットを用いて本手法を検証し、最先端の手法と性能を比較すること。

提案手法

• 脳はノードがAALアトラスからの脳領域（ROIs）に対応し、解剖学的近接性によって定義されるエッジを持つグラフとして表現される。
• 安静状態fMRI（rs-fMRI）時系列は、構造的グラフのノード上に存在するグラフ信号として扱われる。
• 各被験者のfMRI信号にグラフフーリエ変換（GFT）を適用し、グラフスペクトルドメインにおける周波数成分を分析する。
• 得られた時間的に変化するGFT係数が、被験者間のグラフ周波数パターンを捉える接続性行列に集約される。
• この行列に拡張されたフクナガ・コウツ変換（FKT）を適用し、ASD群とNT群を分離する特徴的な低次元特徴量が抽出される。
• これらの特徴量を用いて意思決定ツリーを学習させ、特定の脳領域および周波数成分に基づく明確な意思決定ルールを持つ、最終的な解釈可能な診断支援モデルが得られる。

実験結果

リサーチクエスチョン

• RQ1 グラフ信号処理を用いて構造的および機能的脳ネットワークを統合することで、自閉症スペクトラム障害（ASD）と神経形態的（NT）被験者の分類精度を向上させることができるか？
• RQ2 グラフ周波数ベースの特徴を用いた場合、ASD診断において最も予測的な脳領域またはネットワークは何か？
• RQ3 ABIDEデータセットにおいて、本手法は既存の最先端手法と比較して性能および解釈可能性の面で優れているか？
• RQ4 抽出されたグラフ周波数特徴量は、ASD関連の既知の神経生物学的パターンをどの程度反映しているか？
• RQ5 特徴量から得られる意思決定ツリーは、ASDの神経病理学的メカニズムに関する臨床的解釈可能な知見を提供できるか？

主な発見

• 提案手法は、最先端の手法と比較してABIDEデータセット上で優れた分類性能を示し、ASDと神経形態的被験者を区別する精度が向上した。
• 意思決定ツリーの分析から、前頭前野および側頭葉が分類において最も影響力のある脳領域であることが判明し、ASDに関する既存の神経科学的文献と整合的である。
• 拡張されたフクナガ・コウツ変換を用いて抽出されたグラフ周波数ベースの特徴量は非常に特徴的で、神経病理学的関連の微細なパターンを捉えている。
• 意思決定ツリーの使用により、モデルの解釈可能性が保証され、臨床医が診断意思決定を特定の脳領域および周波数成分に遡って追跡できる。
• グラフ信号処理を用いた構造的および機能的脳ネットワークの統合により、単独で用いるよりも高い診断能を発揮する相乗効果が得られた。
• 拡張されたFKTにおける対角化および直交制約により、得られた特徴量は統計的に最適かつ数値的に安定した分類に適した性質を有している。