[論文レビュー] Deep Ordinal Ranking for Multi-Category Diagnosis of Alzheimer's Disease using Hippocampal MRI data

Hongming Li, Mohamad Habes+1 more|arXiv (Cornell University)|Sep 5, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 35被引用数 33

ひとこと要約

本論文では、海馬MRIデータを活用してアルツハイマー病（AD）の進行段階（正常対照（NC）、安定的MCI（sMCI）、進行性MCI（pMCI）、アルツハイマー病（AD））を分類するためのディープ順序ランク付けモデルを提案する。神経変性の固有の順序的進行をモデル化することで、エンドツーエンドで階層的特徴を学習し、ADNIデータセット上で形状特徴とラジオミクス特徴を用いた従来の多クラス分類法を上回る性能を達成する。

ABSTRACT

Increasing effort in brain image analysis has been dedicated to early diagnosis of Alzheimer's disease (AD) based on neuroimaging data. Most existing studies have been focusing on binary classification problems, e.g., distinguishing AD patients from normal control (NC) elderly or mild cognitive impairment (MCI) individuals from NC elderly. However, identifying individuals with AD and MCI, especially MCI individuals who will convert to AD (progressive MCI, pMCI), in a single setting, is needed to achieve the goal of early diagnosis of AD. In this paper, we propose a deep ordinal ranking model for distinguishing NC, stable MCI (sMCI), pMCI, and AD at an individual subject level, taking into account the inherent ordinal severity of brain degeneration caused by normal aging, MCI, and AD, rather than formulating the classification as a multi-category classification problem. The proposed deep ordinal ranking model focuses on the hippocampal morphology of individuals and learns informative and discriminative features automatically. Experiment results based on a large cohort of individuals from the Alzheimer's Disease Neuroimaging Initiative (ADNI) indicate that the proposed method can achieve better performance than traditional multi-category classification techniques using shape and radiomics features from structural magnetic resonance imaging (MRI) data.

研究の動機と目的

• 単一のフレームワーク内でNC、sMCI、pMCI、ADを区別することで、アルツハイマー病の早期かつ正確な診断のニーズに対応すること。
• 段階を独立したクラスとして扱うのではなく、老化や神経変性の進行に起因する脳の変性の順序的性質をモデル化すること。
• ディープラーニングによる自動特徴抽出を通じて、判別性の高い海馬形態特徴を学習することで診断性能を向上させること。
• NC対ADやMCI対NCといった二値分類タスクの限界を克服し、重要な遷移状態を逃がさないようすること。

提案手法

• 本モデルは、海馬MRIスキャンから直接階層的で判別性の高い特徴を学習するためのディープニューラルネットワークアーキテクチャを用いる。
• 診断タスクを順序ランク付け問題として定式化し、出力は疾患重症度の順序を反映する連続スコアである。
• 損失関数は順序制約を強制するように設計されており、予測スコアがNC < sMCI < pMCI < ADの順序に従うようにし、マージンに基づくランク損失を採用する。
• 3次元畳み込み層を用いて、ADに影響を受ける重要な脳領域の海馬から特徴を抽出し、空間的形態を捉える。
• Hinge損失に基づく順序ランク付け目的関数を用いて、ADNIデータセット上でエンドツーエンドにネットワークを訓練する。
• 本手法は、段階を離散的カテゴリとして扱う従来の多クラス分類を避ける。代わりに、段階を順序的な系列としてモデル化することで、進行をより自然に表現する。

実験結果

リサーチクエスチョン

• RQ1 自然な進行（正常老化からADへ）を捉えることで、ディープ順序ランク付けモデルが多段階アルツハイマー病診断を向上させられるか？
• RQ2 標準的な多クラス分類と比較して、疾患段階を順序的レベルとしてモデル化することは、診断精度にどのように影響するか？
• RQ3 エンドツーエンドのディープラーニングは、NC、sMCI、pMCI、ADを区別するための情報を効果的に抽出できるか、海馬MRIから有用な特徴を抽出できるか？
• RQ4 損失関数に順序制約を組み込むことで、早期段階のAD検出における一般化性能と頑健性が向上するか？

主な発見

• 提案されたディープ順序ランク付けモデルは、形状特徴とラジオミクス特徴を用いた従来の多クラス分類法よりも優れた性能を達成した。
• 本モデルは、NC、sMCI、pMCI、ADの全4段階において分類精度が向上した。
• 順序的定式化により、特にsMCIとNC、およびpMCIとsMCIの区別に優れた一般化性能を示し、早期介入にとって重要な段階の区別が可能になった。
• 本手法は、疾患進行に伴う海馬の微細な形態的変化を効果的に捉えた。
• 疾患重症度をカテゴリカルではなく順序的とモデル化することで、より一貫性があり生物学的に妥当な予測が得られた。
• アルツハイマー病神経画像行動計画（ADNI）の大きなコhortを用いた検証により、本モデルの頑健性とスケーラビリティが確認された。