[論文レビュー] DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications

Somaye Hashemifar, Claudia Iriondo+3 more|arXiv (Cornell University)|Mar 17, 2022

Machine Learning in Healthcare被引用数 4

ひとこと要約

DeepAD は、縦断的臨床データ、人口統計的データ、3次元 MRI データを用いてアルツハイマー病の進行を予測するマルチモーダルでマルチタスクなディープラーニングモデルです。3次元 CNN で抽出した画像特徴量と表形式データを統合し、敵対的損失とシャープネス・アウェア・ミニマイゼーション（SAM）を適用することで、多様なコhort において最先端の一般化性能を達成し、研究外データセットでは予測誤差を最大30％まで低減しています。

ABSTRACT

The ability to predict the future trajectory of a patient is a key step toward the development of therapeutics for complex diseases such as Alzheimer's disease (AD). However, most machine learning approaches developed for prediction of disease progression are either single-task or single-modality models, which can not be directly adopted to our setting involving multi-task learning with high dimensional images. Moreover, most of those approaches are trained on a single dataset (i.e. cohort), which can not be generalized to other cohorts. We propose a novel multimodal multi-task deep learning model to predict AD progression by analyzing longitudinal clinical and neuroimaging data from multiple cohorts. Our proposed model integrates high dimensional MRI features from a 3D convolutional neural network with other data modalities, including clinical and demographic information, to predict the future trajectory of patients. Our model employs an adversarial loss to alleviate the study-specific imaging bias, in particular the inter-study domain shifts. In addition, a Sharpness-Aware Minimization (SAM) optimization technique is applied to further improve model generalization. The proposed model is trained and tested on various datasets in order to evaluate and validate the results. Our results showed that 1) our model yields significant improvement over the baseline models, and 2) models using extracted neuroimaging features from 3D convolutional neural network outperform the same models when applied to MRI-derived volumetric features.

研究の動機と目的

• 多様な臨床コhort において、強力で一般化可能なアルツハイマー病の進行予測用ディープラーニングモデルの開発。
• スキャナーやプロトコルの違いに起因する神経画像データにおける研究間ドメインシフトの課題に対処すること。
• MRI、臨床的および人口統計的特徴を含むマルチモーダルな特徴を統合することで、連続的な認知スコア（CDRSB、MMSE、ADAS-COG12）の予測精度を向上させること。
• 敵対的損失とシャープネス・アウェア・ミニマイゼーション（SAM）を用いることで、分布シフトに対してより頑健なモデルの一般化を向上させること。
• 実臨床現場における早期段階のアルツハイマー病患者に対する個別化・詳細な病態予後予測を可能にすること。

提案手法

• 3次元畳み込みニューラルネットワーク（3D-CNN）を、フル解像度のT1強調MRIスキャンに対してエンドツーエンドで訓練し、空間的・時間的特徴を抽出する。
• 臨床的・人口統計的・ゲノム的データを表形式入力として処理し、マルチモーダルでマルチタスク学習フレームワーク内で画像特徴と統合する。
• 訓練中に敵対的損失を適用し、異なる研究施設間の特徴分布を一致させ、ドメインシフトの影響を低減する。
• 損失関数の曲がり具合が緩やかな最小値を探索することで一般化性能を向上させるため、最適化手法としてシャープネス・アウェア・ミニマイゼーション（SAM）を用いる。
• ADNIコhortの複数のデータセットを用いてモデルを訓練および評価し、研究内および研究外のテストセットを用いて一般化性能を評価する。
• CDRSB、MMSE、ADAS-COG12 の3つの認知エンドポイントの予測を同時に最適化するエンドツーエンドの訓練を実施する。

実験結果

リサーチクエスチョン

• RQ1 臨床的・人口統計的および3次元 MRI データを統合するマルチモーダルなディープラーニングモデルは、アルツハイマー病の進行予測精度を向上させることができるか？
• RQ2 敵対的損失は、マルチサイト神経画像データにおける研究間ドメインシフトを軽減するのにどの程度効果的か？
• RQ3 シャープネス・アウェア・ミニマイゼーション（SAM）を組み込むことで、多様な臨床コhort におけるモデルの一般化性能が向上するか？
• RQ4 セグメンテーションパイプラインから得られる従来のボリュメトリック特徴量と比較して、3D-CNN から抽出した生の3次元 MRI 特徴量を用いることで性能が向上するか？
• RQ5 トレーニングに含まれない未観測の研究施設に対しても、モデルはどの程度一般化できるか？

主な発見

• DeepAD は、ベースラインモデルと比較して、研究外テストセットで予測精度を相対的に30％向上させ、SAM最適化を用いた際のテスト損失が最小で0.4を記録した。
• 3D-CNN で抽出した特徴量を用いたモデルは、MRI由来のボリュメトリック特徴量を用いたモデルを上回り、MMSE予測ではテスト誤差を最大30％まで低減した。
• 敵対的損失により一般化性能が向上し、トレーニングおよびバリデーションに使用しなかった研究EではMMSE予測のR²が0.22％上昇し、研究Fでは0.09％上昇した。
• SAM＋SGDで訓練した結果、収束がより安定し、R²が0.16から0.27に0.11上昇した（標準SGDと比較）。
• モデルはドメインシフトに対して強く頑健であり、研究外の性能が、すべての3つの認知スコアで研究内ベースラインを常に上回った。
• MRIと臨床モダリティを組み合わせた際、DeepAD はすべての指標で最高のパフォーマンスを示し、マルチモーダル統合の価値を確認した。