[論文レビュー] Estimating brain age based on a healthy population with deep learning and structural MRI

Xinyang Feng, Zachary C. Lipton+3 more|arXiv (Cornell University)|Jul 1, 2019

Functional Brain Connectivity Studies参考文献 37被引用数 5

ひとこと要約

本研究では、大規模で多様性に富み、年齢が均等に分布する健全な被験者集団（N = 10,158名、年齢18–97歳）のT1強調画像を用いて脳年齢を推定する深層学習モデルを提案する。ADNI、AIBL、FTLDNI、その他の複数施設のデータを用いて訓練したモデルは、最先端の精度（MAE = 4.06年、r = 0.970）を達成し、前頭前野優位性と生涯にわたる年齢特異的パターンを明らかにした。

ABSTRACT

Numerous studies have established that estimated brain age, as derived from statistical models trained on healthy populations, constitutes a valuable biomarker that is predictive of cognitive decline and various neurological diseases. In this work, we curate a large-scale heterogeneous dataset (N = 10,158, age range 18 - 97) of structural brain MRIs in a healthy population from multiple publicly-available sources, upon which we train a deep learning model for brain age estimation. The availability of the large-scale dataset enables a more uniform age distribution across adult life-span for effective age estimation with no bias toward certain age groups. We demonstrate that the age estimation accuracy, evaluated with mean absolute error (MAE) and correlation coefficient (r), outperforms previously reported methods in both a hold-out test set reflective of the custom population (MAE = 4.06 years, r = 0.970) and an independent life-span evaluation dataset (MAE = 4.21 years, r = 0.960) on which a previous study has evaluated. We further demonstrate the utility of the estimated age in life-span aging analysis of cognitive functions. Furthermore, we conduct extensive ablation tests and employ feature-attribution techniques to analyze which regions contribute the most predictive value, demonstrating the prominence of the frontal lobe as well as pattern shift across life-span. In summary, we achieve superior age estimation performance confirming the efficacy of deep learning and the added utility of training with data both in larger number and more uniformly distributed than in previous studies. We demonstrate the regional contribution to our brain age predictions through multiple routes and confirm the association of divergence between estimated and chronological brain age with neuropsychological measures.

研究の動機と目的

• 大規模で多様性に富み、年齢が均等に分布する健全な被験者集団を用いて、頑健な脳年齢推定モデルを開発すること。
• 年齢群に偏りの少ない、公開済みの複数施設の構造的MRIデータセットを活用することで、推定精度を向上させること。
• 解釈可能なAI技術を用いて、脳年齢推定に寄与する脳領域を調査すること。
• モデルの有効性を、正常な加齢からの逸脱を検出する能力および認知機能と関連付けること。
• 加齢および神経変性疾患研究の分野で利用可能な、高精度な脳年齢推定ツールを提供すること。

提案手法

• ADNI、AIBL、FTLDNI、PPMI、Cam-CAN、SchizConnectなどの複数の公開神経画像データセットから得られたT1強調画像を統合し、大規模で多様性に富んだ健全な被験者コhortを構築した。
• 生のT1w MRIボリュームを入力として、深層畳み込みニューラルネットワーク（CNN）をエンドツーエンドで訓練し、被験者の履歴年齢を予測した。
• 複数施設での画像収集に起因するばらつきを低減するため、データ拡張および正規化技術を採用した。
• 予測結果の解釈を図るため、LRP（階層的関連性伝播）およびその他の特徴寄与度手法を用い、予測に寄与度の高い脳領域を同定した。
• 汎用性を確認するため、ホールドアウトテストセットおよび独立した生涯評価データセットの両方でモデルの性能を評価した。
• データ分布、モデルアーキテクチャ、データソースの影響を評価するために、アブレーションスタディを実施した。

実験結果

リサーチクエスチョン

• RQ1 大規模で多様性に富み、年齢が均等に分布する健全な被験者集団を用いて訓練された深層学習モデルは、従来の手法と比較して優れた脳年齢推定精度を達成できるか？
• RQ2 どの脳領域が脳年齢推定に最も寄与しており、その寄与度は成人の生涯にわたってどのように変化するか？
• RQ3 推定脳年齢と履歴年齢の乖離は、認知機能および神経心理学的指標とどの程度相関するか？
• RQ4 より包括的かつバランスの取れたデータセットで訓練することで、モデルの汎用性が向上し、年齢群に偏りが減るか？
• RQ5 異なる神経画像データソースは、モデルの性能および解釈可能性にどの程度寄与しているか？

主な発見

• ホールドアウトテストセットにおいて、モデルは平均絶対誤差（MAE）4.06年、相関係数（r）0.970を達成し、以前に報告された手法を上回った。
• 独立した生涯評価データセットでは、MAE 4.21年、r = 0.960を達成し、多様な被験者集団にわたる強力な汎用性が確認された。
• 前頭前野が最も予測に寄与度の高い領域であると特定され、特徴寄与度解析によりその中心的役割が強調された。
• モデルは、生涯にわたる予測パターンの動的なシフトを明らかにした。年齢に応じて、異なる脳領域がより重要な役割を果たしていた。
• 推定脳年齢と履歴年齢の乖離と認知機能指標との間に有意な関連が確認された。
• アブレーションスタディにより、データの多様性と均等な年齢分布が、性能の向上とバイアスの低減に重要であることが確認された。