[論文レビュー] Comparison of Probabilistic Deep Learning Methods for Autism Detection

Godfrin Ismail, Kenneth Chesoli+2 more|arXiv (Cornell University)|Mar 9, 2023

Autism Spectrum Disorder Research被引用数 4

ひとこと要約

本研究では、fMRI、MRI、顔画像のマルチモodalデータを用いて、自閉症スペクトラム障害（ASD）検出のための確率的ディープラーニングモデルを評価し、トランスファーラーニングモデル（Xception、VGG16）が、ASD分類において高い精度（最大95%）を達成することを示している。Xceptionは顔画像データで91%の精度を示し、VGG16はfMRIデータで95%の精度を示しており、早期で自動化された診断の可能性が示唆されている。

ABSTRACT

Autism Spectrum Disorder (ASD) is one neuro developmental disorder that is now widespread in the world. ASD persists throughout the life of an individual, impacting the way they behave and communicate, resulting to notable deficits consisting of social life retardation, repeated behavioural traits and a restriction in their interests. Early detection of the disorder helps in the onset treatment and helps one to lead a normal life. There are clinical approaches used in detection of autism, relying on behavioural data and in worst cases, neuroimaging. Quantitative methods involving machine learning have been studied and developed to overcome issues with clinical approaches. These quantitative methods rely on machine learning, with some complex methods based on deep learning developed to accelerate detection and diagnosis of ASD. These literature is aimed at exploring most state-of-the-art probabilistic methods in use today, characterizing them with the type of dataset they're most applied on, their accuracy according to their novel research and how well they are suited in ASD classification. The findings will purposely serve as a benchmark in selection of the model to use when performing ASD detection.

研究の動機と目的

• 異なるデータモodal（fMRI、MRI、顔画像）を用いた、最新の確率的ディープラーニングモデルによる自閉症スペクトラム障害（ASD）検出の評価を目的とする。
• 性能指標とデータタイプに基づいて、ASD分類に最も正確かつ強固なディープラーニングアーキテクチャを特定することを目的とする。
• fMRI、MRI、顔画像の利用可能性に応じた最適なモデル選定のベンチマークを提供し、早期診断を支援することを目的とする。
• データ拡張とハイパーパrameterチューニングがモデルの汎化性能と精度に与える影響を評価することを目的とする。
• 臨床医および研究者が、信頼性の高いスケーラブルな早期ASD検出のためのディープラーニングの採用を支援することを目的とする。

提案手法

• Xception、VGG19、NASNetMobile、Auto-ASD-Network、VGG16、およびカスタムDNNを含む複数のディープラーニングモデルを訓練・比較し、ASD検出タスクに適用した。
• 顔画像データセット（Kaggle）を用いて、事前学習済みモデル（例：Xception、VGG19）を微調整し、自閉症と通常発達の分類を目的としたトランスファーラーニングを実施した。
• fMRIおよびMRIデータセットにおけるクラス不均衡を解消するためにSMOTEを用いたデータ拡張を実施し、モデルの汎化性能を向上させ、過学習を低減した。
• 2段階の分類パイプラインを採用：まず、ディープニューラルネットワークが特徴を抽出し、次に、ハイパーパrameter（カーネル、ペナルティ）を最適化するためのAuto-Tune Models（ATM）を用いたSVM分類器を適用して性能を向上させた。
• 精度、感度、特異度、混同行列を用いた複数の指標でモデルを評価し、堅牢な性能評価を確保した。
• モデルの訓練および検証にはABIDE fMRIデータセットを用い、隠れ層からの特徴抽出により表現品質を評価した。

Figure 1: Class information in the ABIDE Dataset

実験結果

リサーチクエスチョン

• RQ1 確率的ディープラーニングモデルは、fMRI、MRI、顔画像といった異なるデータモダリティにおいて、自閉症スペクトラム障害（ASD）をどのように分類するか？
• RQ2 どのディープラーニングアーキテクチャがASD検出において最高の分類精度を達成し、感度と特異度の観点から他のモデルと比較してどのように差がつくか？
• RQ3 データ拡張（例：SMOTE）およびハイパーパrameterチューニング（例：ATMを用いた）は、ASD分類におけるモデル性能をどの程度向上させるか？
• RQ4 XceptionやVGG19のようなトランスファーラーニングモデルは、従来のディープニューラルネットワークと比較して、顔特徴からのASD検出においてどの程度有効か？
• RQ5 データの可用性と性能指標に基づいて、どのモデルが早期ASD検出に最も適しているか？

主な発見

• VGG16はfMRIデータで95%の最高分類精度を達成し、本研究で評価された他のモデルを上回った。
• Xceptionモデルは顔画像データで91%のテスト精度を示し、150名の自閉症児のうち132例が真陽性、18例が偽陰性であった。
• Auto-ASD-Networkモデルは4つのfMRIデータセットで80%の精度を達成し、SVM性能を26%向上させ、最先端手法を14%上回った。
• VGG19は25エポックにわたり、学習精度が56%から85%に上昇したが、検証精度は82%に低下し、過学習の可能性が示唆された。
• NASNetMobileは顔画像データにおける検証精度が65%から78%の間で変動し、顔画像データでテストされた3つのモデルの中で最も効果が低かった。
• SMOTEによるデータ拡張とSVMの微調整の組み合わせは、特にクラス不均衡が顕著なデータセットにおいて、モデル性能を顕著に向上させた。

Figure 2: The Architecture of VGG16 [ 26 ]