[論文レビュー] Deep Learning for Neuroimaging-based Diagnosis and Rehabilitation of Autism Spectrum Disorder: A Review
このレビューは、自閉症スペクトラム障害（ASD）の神経画像診断およびリハビリテーション分野における深層学習（DL）の応用を統合的に検討し、構造的（sMRI、DTI）および機能的（fMRI、EEG、fNIRS）神経画像モダリティを対象としてDLモデルの性能を評価している。主なDLアーキテクチャとして、3D-CNN、LSTM、オートエンコーダー、GCNが、ASDと神経発達が正常な対照群を区別する分類精度が95％に達するなど高い性能を示しており、DL駆動のリハビリテーションツールの評価や、データ、解釈可能性、臨床応用における主な課題の概説も行っている。
Accurate diagnosis of Autism Spectrum Disorder (ASD) followed by effective rehabilitation is essential for the management of this disorder. Artificial intelligence (AI) techniques can aid physicians to apply automatic diagnosis and rehabilitation procedures. AI techniques comprise traditional machine learning (ML) approaches and deep learning (DL) techniques. Conventional ML methods employ various feature extraction and classification techniques, but in DL, the process of feature extraction and classification is accomplished intelligently and integrally. DL methods for diagnosis of ASD have been focused on neuroimaging-based approaches. Neuroimaging techniques are non-invasive disease markers potentially useful for ASD diagnosis. Structural and functional neuroimaging techniques provide physicians substantial information about the structure (anatomy and structural connectivity) and function (activity and functional connectivity) of the brain. Due to the intricate structure and function of the brain, proposing optimum procedures for ASD diagnosis with neuroimaging data without exploiting powerful AI techniques like DL may be challenging. In this paper, studies conducted with the aid of DL networks to distinguish ASD are investigated. Rehabilitation tools provided for supporting ASD patients utilizing DL networks are also assessed. Finally, we will present important challenges in the automated detection and rehabilitation of ASD and propose some future works.
研究の動機と目的
- 自閉症スペクトラム障害（ASD）の自動診断を目的とした神経画像データに応用された深層学習（DL）手法を体系的にレビューすること。
- MRI、fMRI、EEG、fNIRSなどの構造的および機能的神経画像（例：sMRI、DTI、fMRI、EEG、fNIRS、MEG、ECoG）を用いたASD分類におけるDLモデルの性能とアーキテクチャを評価すること。
- 個別化された療法および干渉システムを支援するためのDLベースのリハビリテーションツールの開発状況を評価すること。
- DLのASD応用におけるデータ不足、モデルの解釈可能性、汎化性、臨床統合の面での主な課題を特定すること。
- ASD診断および治療におけるDLの信頼性、スケーラビリティ、実世界への展開を向上させるための今後の研究方向性を提案すること。
提案手法
- 2020年6月までを対象期間として、IEEE Xplore、ScienceDirect、SpringerLink、ACMなどのデータベースを用いた体系的レビューを実施。キーワードは「ASD」、「自閉症スペクトラム障害」、「深層学習」。
- sMRI、DTI、fMRI、EEG、fNIRS、MEG、ECoGを含む神経画像モダリティを対象として、DLをASD診断およびリハビリテーションに応用した128件の研究を分類・分析。
- 3D-CNN、2D-CNN、LSTM、オートエンコーダー（AE、VAE、SAE）、GCN、ハイブリッドモデル（例：CNN-LSTM、3D-UNet）などのDLアーキテクチャを、分類および特徴抽出の観点から評価。
- 損失関数（BCE、CE、MSE、NLLF、提案損失）、最適化関数（Adam、SGD、Adadelta）、活性化関数（ReLU、ELU、Sigmoid、Softmax）、正則化（ドロップアウト、バッチ正則化）をレビュー。
- 正解率、感度、特異度、AUC、F1スコアなどの指標を用いてモデル性能を評価し、一部の研究では95％までの正解率が報告されている。
- 脳-コンピュータインターフェース、感情認識、行動干渉計画など、個別化された療法を支援するDLを活用したリハビリテーションシステムの評価。
実験結果
リサーチクエスチョン
- RQ1神経画像データを用いたASDと神経発達が正常な対照群の区別において、どの深層学習アーキテクチャが最も高い診断精度を示すか？
- RQ2fMRI、EEG、sMRIなどの異なる神経画像モダリティは、DLベースのASD分類において、それぞれどのように適合性を示すか？
- RQ3ASD患者のための個別化されたリハビリテーションツールを開発するうえで、最も効果的なDLベースのアプローチは何か？
- RQ4実世界のASD診断および治療におけるDLの展開を妨げる主な技術的および臨床的課題は何か？
- RQ5ASD応用における解釈可能性、汎化性、データ効率をどのように向上できるか？
主な発見
- 3D-CNNおよびハイブリッドモデル（例：3D-CNN + LSTM）は高い診断精度を示し、fMRIデータを用いた研究では95％の正解率を報告した例がある。
- オートエンコーダー（AE）、スタックドオートエンコーダー（SAE）、変分オートエンコーダー（VAE）は、次元削減および表現学習において優れた特徴抽出能力を示した。
- LSTMおよびGRUベースのネットワークは、EEGおよびfMRI時系列データの時間的ダイナミクスをモデル化する点で優れた性能を示し、複数の研究で90％を超える正解率を達成した。
- 事前学習済みモデル（例：ResNet-18、VGGベースのネットワーク（例：VGGNets + ASDNet））は、ASD分類タスクにおいて競争力のある性能（AUC > 0.90）を示した。
- 3D-UNetやFastSurfer CNNなどのハイブリッドアーキテクチャは、構造的MRI解析において高いセグメンテーションおよび分類精度（AUC > 0.92）を示した。
- 高い性能を示す一方で、モデルの解釈可能性、データ不足、多様な集団への一般化性の面で課題が残っており、多くの研究が小規模で単一施設のデータに依存している。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。