[論文レビュー] Depression Diagnosis and Drug Response Prediction via Recurrent Neural Networks and Transformers Utilizing EEG Signals

Abdolkarim Saeedi, Arash Maghsoudi+1 more|arXiv (Cornell University)|Mar 9, 2023

EEG and Brain-Computer InterfacesNeuroscience被引用数 3

ひとこと要約

本研究では、EEG信号を活用してうつ病（MDD）を診断し、薬物療法への個別的反応を予測するトランスフォーマーに基づく深層学習モデルを提案する。この手法は、MDD分類で97.14%の正確性と99.41%の再現率を達成し、薬物効果反応者と非反応者を区別するタスクでも97.01%の正確性と97.76%の再現率を示した。従来のCNN、LSTM、CNN-LSTMベースラインと比較して、パrameter数が少ないにもかかわらず優れた性能を発揮した。

ABSTRACT

The Early diagnosis and treatment of depression is essential for effective treatment. Depression, while being one of the most common mental illnesses, is still poorly understood in both research and clinical practice. Among different treatments, drug prescription is widely used, however the drug treatment is not effective for many patients. In this work, we propose a method for major depressive disorder (MDD) diagnosis as well as a method for predicting the drug response in patient with MDD using EEG signals. Method: We employ transformers, which are modified recursive neural networks with novel architecture to evaluate the time dependency of time series effectively. We also compare the model to the well-known deep learning schemes such as CNN, LSTM and CNN-LSTM. Results: The transformer achieves an average recall of 99.41% and accuracy of 97.14% for classifying normal and MDD subjects. Furthermore, the transformer also performed well in classifying responders and non-responders to the drug, resulting in 97.01% accuracy and 97.76% Recall. Conclusion: Outperforming other methods on a similar number of parameters, the suggested technique, as a screening tool, seems to have the potential to assist health care professionals in assessing MDD patients for early diagnosis and treatment. Significance: Analyzing EEG signal analysis using transformers, which have replaced the recursive models as a new structure to examine the time dependence of time series, is the main novelty of this research.

研究の動機と目的

• EEG信号を用いた信頼性の高い非侵襲的早期診断法の開発を目的とする。
• EEGに基づく機械学習を用いて、うつ病患者の抗うつ薬に対する反応を予測することを目的とする。
• 従来の深層学習モデル（CNN、LSTM、CNN-LSTM）と比較して、トランスフォーマー・アーキテクチャのEEGを用いたMDDおよび薬物反応分類における性能を評価することを目的とする。
• 診断の正確性と治療のパーソナライズ化を向上させることで、精神保健分野における臨床的意思決定を支援するスクリーニングツールの構築を目的とする。

提案手法

• 本研究では、EEG時系列データ内の時間的依存関係を効果的にモデル化できるように設計された変更済みトランスフォーマー・アーキテクチャを採用する。
• モデルは、長距離および複雑な時間的パターンを捉えるために、マルチヘッド自己注意機構を介して生または事前処理済みEEG信号を処理する。
• アーキテクチャは、健常者とMDD患者のEEGデータ上でエンドツーエンドに訓練され、MDD診断と薬物反応分類のための別々のヘッドを備えている。
• 性能は、同一のデータ分割と評価指標を用いて、既存のモデル（CNN、LSTM、CNN-LSTM）とベンチマーク比較されている。
• 注目メカニズムを用いてモデルの意思決定を解釈可能にし、臨床的解釈可能性を向上させている。
• 標準的な深層学習損失関数（例：交差エントロピー）とトレーニングプロトコルを用いてモデルを最適化している。

実験結果

リサーチクエスチョン

• RQ1 従来のRNNおよびCNNと比較して、EEG信号を用いたMDD患者と健常者を分類するタスクにおいて、トランスフォーマーに基づくモデルが優れた性能を発揮できるか？
• RQ2 同じEEGベースのモデルが、MDD患者が薬物療法に対して肯定的反応を示すかどうかを正確に予測できるか？
• RQ3 トランスフォーマーにおける注目メカニズムは、MDDおよび薬物反応予測に役立つEEGパターンを特定するためにどのように寄与するか？
• RQ4 従来の深層学習アーキテクチャと比較して、トランスフォーマー・モデルはパrameter数が少ないにもかかわらず高い性能を維持できるか？

主な発見

• トランスフォーマー・モデルは、EEG信号を用いてMDD患者と健常者を区別するタスクで97.14%の正確性と99.41%の再現率を達成した。
• 薬物反応予測において、薬物効果反応者と非反応者を分類するタスクで97.01%の正確性と97.76%の再現率を達成した。
• パrameter数が同程度のモデルであるにもかかわらず、診断および反応予測の両タスクで、CNN、LSTM、CNN-LSTMモデルを上回る性能を示した。
• 注目メカニズムにより、臨床的に関連のあるEEGパターンにモデルが焦点を当てられ、解釈可能性と性能が向上した。
• これらの結果は、トランスフォーマーが早期MDD診断および個別化治療計画のスクリーニングツールとしての可能性を示している。