[論文レビュー] Deep Chronnectome Learning via Full Bidirectional Long Short-Term Memory Networks for MCI Diagnosis

Weizheng Yan, Han Zhang+2 more|arXiv (Cornell University)|Aug 30, 2018

Functional Brain Connectivity Studies参考文献 3被引用数 7

ひとこと要約

本稿では、静止状態fMRIからの動的機能的結合（dFC）を用いてMCIの診断を向上させるため、深層クロノネクトーム学習のための新規なフル・バイリバースLSTM（Full-BiLSTM）ネットワークを提案する。時間的双方向依存性を捉え、すべてのセル出力を統合して内在的な脳状態遷移をモデル化することで、73.6%の正答率と79.8%のAUCを達成し、最先端の手法を上回る性能を示した。

ABSTRACT

Brain functional connectivity (FC) extracted from resting-state fMRI (RS-fMRI) has become a popular approach for disease diagnosis, where discriminating subjects with mild cognitive impairment (MCI) from normal controls (NC) is still one of the most challenging problems. Dynamic functional connectivity (dFC), consisting of time-varying spatiotemporal dynamics, may characterize "chronnectome" diagnostic information for improving MCI classification. However, most of the current dFC studies are based on detecting discrete major brain status via spatial clustering, which ignores rich spatiotemporal dynamics contained in such chronnectome. We propose Deep Chronnectome Learning for exhaustively mining the comprehensive information, especially the hidden higher-level features, i.e., the dFC time series that may add critical diagnostic power for MCI classification. To this end, we devise a new Fully-connected Bidirectional Long Short-Term Memory Network (Full-BiLSTM) to effectively learn the periodic brain status changes using both past and future information for each brief time segment and then fuse them to form the final output. We have applied our method to a rigorously built large-scale multi-site database (i.e., with 164 data from NCs and 330 from MCIs, which can be further augmented by 25 folds). Our method outperforms other state-of-the-art approaches with an accuracy of 73.6% under solid cross-validations. We also made extensive comparisons among multiple variants of LSTM models. The results suggest high feasibility of our method with promising value also for other brain disorder diagnoses.

研究の動機と目的

• 静止状態fMRIからの動的機能的結合（dFC）を用いて、軽度認知障害（MCI）と正常対照（NC）を分類する課題に対処すること。
• 既存のdFC手法が離散的脳状態や空間クラスタリングに依存するため、豊富な空間時間的ダイナミクスを無視するという限界を克服すること。
• dFC時系列から隠れた高次特徴を抽出可能なエンドツーエンドの深層学習フレームワークを構築し、診断能を向上させること。
• 標準LSTMおよびBiLSTMの変種と比較して、完全接続性と双方向的文脈を組み合わせたFull-BiLSTMアーキテクチャの優位性を検証すること。

提案手法

• BOLD時系列（116個のROI、AALテンプレート使用）に対してスライディングウインドウ法を用いて動的機能的結合（dFC）を計算し、時間的に変化する結合行列を生成する。
• 各dFC行列をベクトル化し、T × M(M−1)/2の時系列に変換する。ここでTはスライディングウインドウの数、M = 116 ROIである。
• 新規なフル・バイリバースLSTMネットワークを設計：各LSTMセルが出力する隠れ状態をすべて連結し、統合層に供給することで、グローバルな時間的パターンを捉える。
• 双方向アーキテクチャにより、各時刻が過去および未来の文脈に注目できるようになり、複雑な脳状態遷移のモデリングが向上する。
• 最終的な統合表現を全結合層に通し、交差エントロピー損失を用いてMCI対NCの二値分類を実行する。
• ハイパーパramータのアブレーションスタディでは、隠れユニット数（16, 32, 64）の変更とデータ拡張効果の評価を行い、性能最適化を図る。

実験結果

リサーチクエスチョン

• RQ1 dFC時系列から完全な時間的文脈をモデル化する深層学習フレームワークは、従来の静的またはクラスタリングベースのdFC手法を上回り、MCI分類性能を向上させることができるか？
• RQ2 LSTMセルに過去および未来の文脈を組み込むことで、dFCにおける意味のある脳状態遷移の検出が向上するか？
• RQ3 すべてのLSTMセル出力を統合する（フル・LSTM）アプローチが、最終隠れ状態のみを用いる（最後出力）アプローチよりもdFCベースの診断に有効であるか？
• RQ4 スタックされた層の数、隠れユニット数、データ拡張などのアーキテクチャ的選択が、dFCデータにおけるモデル性能に与える影響は何か？
• RQ5 提案されたフル・バイリバースLSTMフレームワークは、MCIにとどまらず、他の脳疾患にも一般化可能か？

主な発見

• 提案されたフル・バイリバースLSTMモデルはADNI-2データセットで73.6%の正答率と79.8%のAUCを達成し、静的FC + SVM（64.2% AUC）やdFCばらつき（49.0% AUC）といった従来手法を顕著に上回った。
• 隠れユニット数が32のフル・バイリバースLSTMが最良の性能を示した。16ユニットでは能力が不足し、64ユニットでは過学習が生じたため、dFC時系列モデリングには最適な容量が存在することが示された。
• フル・バイリバースLSTMは、すべての比較対象LSTM変種（BiLSTM_Last：71.0%正答率、フル・LSTM：71.9%正答率、スタックド・フル・バイリバースLSTM：69.0%正答率）を上回り、完全接続性と双方向性の利点を確認した。
• データ拡張によりモデルの頑健性が向上し、除外した場合に正答率が2%低下した。これは、小規模または不均衡なdFCデータセットに対処するうえで重要であることを示唆した。
• モデルはノイズに強く、内在的な脳状態遷移パターンを学習可能であり、ノイジーなdFCばらつき特徴に依存する手法よりも信頼性が高かった。
• 本研究は、dFCを用いた個別化された脳疾患診断のための新しいパラダイムとして「深層クロノネクトーム学習」の実現可能性を確立した。神経変性疾患への応用可能性は極めて高い。