[論文レビュー] Deep Learning for Brain Age Estimation: A Systematic Review

M. Tanveer, M. A. Ganaie+8 more|arXiv (Cornell University)|Dec 7, 2022

Functional Brain Connectivity Studies被引用数 7

ひとこと要約

本システマティックレビューは、神経画像データを用いた脳年齢推定のためのディープラーニング手法を統合的に分析し、アーキテクチャ、フレームワーク、および研究間でのパフォーマンスを検討する。主なトレンドを特定し、モデルの頑健性、不確実性、説明可能性を評価し、臨床応用に向けた今後の研究方向性を提示する。

ABSTRACT

Over the years, Machine Learning models have been successfully employed on neuroimaging data for accurately predicting brain age. Deviations from the healthy brain aging pattern are associated to the accelerated brain aging and brain abnormalities. Hence, efficient and accurate diagnosis techniques are required for eliciting accurate brain age estimations. Several contributions have been reported in the past for this purpose, resorting to different data-driven modeling methods. Recently, deep neural networks (also referred to as deep learning) have become prevalent in manifold neuroimaging studies, including brain age estimation. In this review, we offer a comprehensive analysis of the literature related to the adoption of deep learning for brain age estimation with neuroimaging data. We detail and analyze different deep learning architectures used for this application, pausing at research works published to date quantitatively exploring their application. We also examine different brain age estimation frameworks, comparatively exposing their advantages and weaknesses. Finally, the review concludes with an outlook towards future directions that should be followed by prospective studies. The ultimate goal of this paper is to establish a common and informed reference for newcomers and experienced researchers willing to approach brain age estimation by using deep learning models

研究の動機と目的

• 神経画像データを用いたディープラーニングの応用について、脳年齢推定の分野において包括的かつシステマティックに分析すること。
• 脳年齢予測に用いられるさまざまなディープラーニングアーキテクチャおよびフレームワークの長所と短所を評価すること。
• 不確実性推定とモデルの説明可能性が、脳年齢モデルの臨床的信頼性を高める役割を検討すること。
• 現在のディープラーニングベースの脳年齢推定フレームワークに見られる研究ギャップを特定し、正確性、頑健性、臨床的適用性を向上させるための今後の研究方向性を提案すること。
• 神経画像および脳老化分野に新たに参入する研究者、および経験を有する研究者にとっての基盤的リファレンスとして機能すること。

提案手法

• 主にMRIを用いた、脳年齢推定のためのディープラーニングに関する学術論文を対象としたシステマティックレビューを実施した。
• 設計およびパフォーマンスに基づき、ディープラーニングアーキテクチャ（例：3D CNN、オートエンコーダ、リサンプルネットワーク、トランスフォーマー）を分類・分析した。
• 健全な被験者を用いた学習と独立したデータでのテストを前提とした、教師あり回帰に基づく脳年齢推定フレームワークを評価した。
• モデルの信頼性を測るために、モンテカルロドロップアウト、証拠的ディープラーニング、およびコンフォーマル予測などの不確実性推定技術を評価した。
• 予測結果の解釈と関連する脳領域の同定に役立てるために、LIME や SHAP などの事後解釈手法をレビューした。
• モデルアーキテクチャ、データモodal、パフォーランス指標、臨床的関連性に基づき、文献を整理するための分類法を提案した。

実験結果

リサーチクエスチョン

• RQ1 どのディープラーニングアーキテクチャが脳年齢推定において最も効果的であり、性能および一般化能力においてどのように比較されるか？
• RQ2 不確実性推定技術は、脳年齢予測の信頼性および臨床的有用性をどのように向上させるか？
• RQ3 説明可能性手法は、脳年齢推定のためのディープラーニングモデルの透明性と信頼性をどの程度向上させるか？
• RQ4 現在のディープラーニングベースの脳年齢推定フレームワークに見られる主な制限要因およびバイアスは何か？
• RQ5 脳年齢推定におけるディープラーニングモデルの臨床的応用を進めるために、どのような今後の研究方向性が求められるか？

主な発見

• 3D畳み込みニューラルネットワークやリサンプルネットワークを含むディープラーニングモデルは、従来の機械学習手法に比べ、脳年齢推定の精度において一貫して優れている。
• モンテカルロドロップアウトや証拠的ディープラーニングなどの不確実性推定技術は、予測の信頼区間を提供することで、モデルの信頼性を顕著に向上させる。
• LIME や SHAP などの事後解釈手法は、年齢予測に最も寄与する脳領域を特定するために効果的に応用されており、脳老化のバイオマーカーとしての可能性を示している。
• 高いパフォーマンスを示す一方で、多くのモデルは解釈不能性と不確実性の定量化を欠いており、これが臨床応用の障壁となっている。
• 多くの研究が小規模で代表的でないデータセットを用いていることが顕在しており、モデルの一般化可能性とバイアスに関する懸念が生じている。
• 今後の研究では、モデルの透明性、不確実性の定量化、臨床意思決定支援システムへの統合を重視する必要がある。これにより、実世界への適用可能性が向上する。