[論文レビュー] Eye-Movement behavior identification for AD diagnosis

Juan Andrés Biondi, Gerardo Fernández+2 more|arXiv (Cornell University)|Feb 2, 2017

Machine Learning in Bioinformatics参考文献 13被引用数 19

ひとこと要約

本研究では、読書中の眼動態データからアルツハイマー病（AD）を特定するための深層学習フレームワークを提案する。ノイズ除去スパースオートエンコーダーとソフトマックス分類器を用い、予測可能性の高いおよび低い文および格言の読書行動から試行単位の眼動態特徴量を抽出した。モデルは、AD患者と健常対照群を分類する際、89.78%の正確性を達成し、早期で非侵襲的な診断の強力な可能性を示している。

ABSTRACT

In the present work, we develop a deep-learning approach for differentiating the eye-movement behavior of people with neurodegenerative diseases over healthy control subjects during reading well-defined sentences. We define an information compaction of the eye-tracking data of subjects without and with probable Alzheimer's disease when reading a set of well-defined, previously validated, sentences including high-, low-predictable sentences, and proverbs. Using this information we train a set of denoising sparse-autoencoders and build a deep neural network with these and a softmax classifier. Our results are very promising and show that these models may help to understand the dynamics of eye movement behavior and its relationship with underlying neuropsychological correlates.

研究の動機と目的

• 読書タスクを用いて、アルツハイマー病（AD）患者と健常対照群の眼動態パターンを区別する機械学習手法を開発すること。
• 構造化された言語的刺激の読書中に得られる眼動態データから、意味的で試行単位の眼動態特徴量を抽出すること。
• 特にノイズ除去スパースオートエンコーダーとソフトマックス分類器を組み合わせた深層ニューラルネットワークアーキテクチャの性能を、これらの眼動態パターンに基づくAD分類において評価すること。
• 精神病医が提供した臨床的重症度評価と、モデルの出力スコアとの相関関係を検討し、モデルの診断的妥当性を検証することを目的とする。

提案手法

• AD患者および健常対照群の被験者が、検証済みの言語的刺激（予測可能性の高い・低い文および格言）を読んだ。
• 眼動態データを収集・処理し、固定時間、サッカードの長さ、再帰的移動頻度などの読書行動を捉える試行単位の特徴量を抽出した。
• 眼動態特徴量の階層的表現を学習するために、スタックドノイズ除去スパースオートエンコーダーを用いた深層ニューラルネットワークを構築した。
• 学習された特徴量をソフトマックス分類器に供給し、AD状態と対照群状態の二値分類を実行した。
• 被験者レベルの分類正確性を向上させるために、1人あたりの全文における予測の多数決を適用した。
• 後続のオートエンコーダー層における特徴量の特化状況を分析し、類似する入力パターン間の符号化表現を比較することで、モデルの解釈可能性を評価した。

実験結果

リサーチクエスチョン

• RQ1 読書中の眼動態パターンは、深層学習を用いて、アルツハイマー病患者と健常対照群を信頼性高く区別するために利用可能か？
• RQ2 オートエンコーダー階層における学習された表現が、眼動態データに意味的でランダムでない構造を反映している程度はどの程度か？
• RQ3 モデルの出力スコアは、精神病医が与えた臨床的重症度スコアとどの程度相関しているか？
• RQ4 複数の読書試行にわたる予測を統合することで、被験者レベルの診断正確性を向上させることができるか？
• RQ5 臨床的評価による認知機能低下の程度が示すように、モデルの出力は認知機能低下の重症度に感受性を示すか？

主な発見

• 深層学習モデルは、読書タスクにおける眼動態特徴量を用いて、試行単位の分類正確性が89.78%に達した。
• 1人あたりの全文における多数決を適用した結果、テストセットに含まれる全8名の被験者を正しく分類する100%の正確性を達成した。
• モデルの出力スコアは、精神病医が与えた臨床的重症度評価と強く相関しており、予測スコアと評価スコアの平均差は0.19（標準偏差=0.15）であった。
• オートエンコーダー層は、類似した入力を滑らかで一貫した形で符号化しており、後続の層ではAD特有または対照群特有の特徴を検出するための特化が見られた。
• モデルの性能から、読書中の眼動態パターンが認知状態に関する臨床的関連情報を保持しており、非侵襲的バイオマーカーとして機能する可能性があることが示唆された。
• 本研究は、深層学習が神経心理学的評価と一致する微細で診断的パターンを眼動態行動から抽出する可能性を浮き彫りにした。