[論文レビュー] Disentangling brain heterogeneity via semi-supervised deep-learning and MRI: dimensional representations of Alzheimer's Disease

Zhijian Yang, Ilya M. Nasrallah+9 more|arXiv (Cornell University)|Feb 24, 2021

Dementia and Cognitive Impairment Research参考文献 29被引用数 4

ひとこと要約

本稿では、MRIデータを用いてアルツハイマー病における神経解剖学的多様性を分離する半教師付きディープクラスタリングフレームワークであるSmile-GANを紹介する。4つの明確な神経変性パターン（P1–P4）と2つの縦断的進行経路を同定し、臨床的進行予測においてアミロイド/タウバイオマーカーを上回るパターン発現を示した。

ABSTRACT

Heterogeneity of brain diseases is a challenge for precision diagnosis/prognosis. We describe and validate Smile-GAN (SeMI-supervised cLustEring-Generative Adversarial Network), a novel semi-supervised deep-clustering method, which dissects neuroanatomical heterogeneity, enabling identification of disease subtypes via their imaging signatures relative to controls. When applied to MRIs (2 studies; 2,832 participants; 8,146 scans) including cognitively normal individuals and those with cognitive impairment and dementia, Smile-GAN identified 4 neurodegenerative patterns/axes: P1, normal anatomy and highest cognitive performance; P2, mild/diffuse atrophy and more prominent executive dysfunction; P3, focal medial temporal atrophy and relatively greater memory impairment; P4, advanced neurodegeneration. Further application to longitudinal data revealed two distinct progression pathways: P1$ ightarrow$P2$ ightarrow$P4 and P1$ ightarrow$P3$ ightarrow$P4. Baseline expression of these patterns predicted the pathway and rate of future neurodegeneration. Pattern expression offered better yet complementary performance in predicting clinical progression, compared to amyloid/tau. These deep-learning derived biomarkers offer promise for precision diagnostics and targeted clinical trial recruitment.

研究の動機と目的

• 正確な診断と予後評価における脳疾患の多様性に起因する課題に対処すること。
• 構造的MRIデータから生物学的に意味のあるアルツハイマー病の亜型を同定する手法を開発すること。
• 完全にラベル付けされたデータを必要としないで、画像ベースの疾患亜型を発見するために、半教師付きディープラーニングを活用すること。
• 縦断的データを用いて同定されたパターンの臨床的妥当性を検証し、神経変性の進行経路を予測すること。
• ディープラーニングから導出されたバイオマーカーの予測能を、従来のアミロイド/タウマーカーと比較すること。

提案手法

• Smile-GANは、クラスタリングと生成対抗ネットワーク（GAN）を組み合わせた新しい半教師付きディープクラスタリングモデルであり、MRIスキャンから分離可能な表現を学習する。
• 特徴の分離と複数の視点におけるクラスタ割り当ての一貫性を促進するために、コントラスト損失が用いられる。
• 本物のスキャンと生成されたスキャンを区別するための生成器と識別器を同時に最適化し、同時にクラスタ構造を強制する。
• モデルは、ラベル付きの対照群と、認知障害または dementia を示すラベルなしの個体を組み合わせて訓練される。
• 神経変性の次元的表現は、学習された潜在空間から導出され、各次元が明確な神経変性パターンに対応する。
• 進行経路は、縦断的MRIデータにおける時間的経過に伴うパターン発現の変化を追跡することで推定される。

実験結果

リサーチクエスチョン

• RQ1 完全なラベル付けがなくても、半教師付きディープラーニングフレームワークが構造的MRIから生物学的に意味のあるアルツハイマー病の亜型を同定できるか？
• RQ2 構造的MRIデータの非教師付き分離によって、明確に分離された神経変性パターン（萎縮の軸）は何か？
• RQ3 これらのパターンは、記憶障害や実行機能障害などの認知機能や臨床的表現型とどのように関連しているか？
• RQ4 これらのパターンの発現は、縦断的データにおける将来の神経変性の進行経路と進行速度を予測できるか？
• RQ5 これらのディープラーニングから導出されたバイオマーカーの予測性能は、確立されたアミロイド/タウマーカーと比べてどうか？

主な発見

• Smile-GANは4つの明確な神経変性パターンを同定した：P1（正常解剖、最高の認知機能）、P2（軽度/広範囲性萎縮、実行機能障害）、P3（局在的内側側頭葉萎縮、記憶障害）、P4（高度な神経変性）。
• 縦断的解析により、2つの主要な進行経路が同定された：P1 → P2 → P4 および P1 → P3 → P4、初期段階でのパターン発現が将来の進行を予測した。
• これらのパターンの発現は、アミロイドやタウバイオマーカーを上回る正確さで臨床的進行を予測し、補完的な予測能を示した。
• 部分的なラベルのみを用いても脳の多様性を効果的に分離でき、低監視設定下でも堅牢であることが示された。
• MRIスキャンから導出された次元的表現は、多様な認知状態において臨床的に関連する神経解剖学的および認知的表現型を捉えていた。
• 本手法により、生物学的に異なるアルツハイマー病亜型を同定できるため、精密診断および臨床試験の標的的被験者選定が可能になった。