[論文レビュー] From Group-Differences to Single-Subject Probability: Conformal Prediction-based Uncertainty Estimation for Brain-Age Modeling

Jan Ernsting, Nils R. Winter+14 more|arXiv (Cornell University)|Feb 10, 2023

Health, Environment, Cognitive AgingEnvironmental Science被引用数 3

ひとこと要約

本論文は、脳年齢モデルにおける不確実性推定フレームワークを、適合予測に基づいて提案し、集団レベルの差を統計的に妥当な個別被験者用の確率的推定に変換する。不確実性を考慮した深層ニューラルネットワークと適合予測を統合することで、個別予測に対して統計的カバレッジを保証し、アルツハイマー病、双極性障害、大うつ病性障害との関連性が、最先端のモデルを上回ることを示した。

ABSTRACT

The brain-age gap is one of the most investigated risk markers for brain changes across disorders. While the field is progressing towards large-scale models, recently incorporating uncertainty estimates, no model to date provides the single-subject risk assessment capability essential for clinical application. In order to enable the clinical use of brain-age as a biomarker, we here combine uncertainty-aware deep Neural Networks with conformal prediction theory. This approach provides statistical guarantees with respect to single-subject uncertainty estimates and allows for the calculation of an individual's probability for accelerated brain-aging. Building on this, we show empirically in a sample of N=16,794 participants that 1. a lower or comparable error as state-of-the-art, large-scale brain-age models, 2. the statistical guarantees regarding single-subject uncertainty estimation indeed hold for every participant, and 3. that the higher individual probabilities of accelerated brain-aging derived from our model are associated with Alzheimer's Disease, Bipolar Disorder and Major Depressive Disorder.

研究の動機と目的

• 脳年齢をバイオマーカーとして臨床応用可能にするために、個別レベルの不確実性推定を提供すること。
• 脳年齢ギャップ予測における個別被験者リスク評価の統計的保証の欠如に対処すること。
• 集団レベルの脳年齢差と、個別化された加速度的脳年齢の確率との間のギャップを埋めること。
• 大規模コhort（N=16,794）で手法を検証し、神経精神疾患との関連性を示すこと。

提案手法

• 不確実性を考慮した深層ニューラルネットワークと適合予測理論を組み合わせ、有限標本における統計的カバレッジを持つ予測区間を生成する。
• 深層ニューラルネットワークの出力に適合予測を適用し、すべての被験者に対して誤差率が保証された予測集合を生成する。
• アプローチにより回帰出力を、各被験者について加速度的脳年齢の可能性に関する確率的記述に変換する。
• 有意水準αを用いて予測集合を定義し、すべての被験者に対して真の脳年齢ギャップが少なくとも1−αの確率で集合内に含まれることを保証する。
• 手法は、NAKOコhortからの大規模な神経画像データセットを用いて訓練および評価され、妥当性と一般化能が確保されている。
• 最終出力には、適合予測区間から導かれた個別被験者における加速度的脳年齢の確率が含まれており、臨床的リスク分類が可能となる。

実験結果

リサーチクエスチョン

• RQ1 適合予測は、脳年齢モデルにおける個別被験者用不確実性推定に対して、統計的に妥当なカバレッジを提供できるか？
• RQ2 提案手法は、臨床的解釈可能性を持つ個別化された加速度的脳年齢の確率を提供するか？
• RQ3 モデルから得られる高い個別被験者用の加速度的脳年齢の確率は、アルツハイマー病、双極性障害、大うつ病性障害と有意に関連しているか？
• RQ4 最先端の大規模脳年齢モデルと同等の回帰性能を達成しながら、不確実性の定量化を追加できるか？

主な発見

• 16,794名の参加者からなるコhortにおいて、本モデルは最先端の大規模脳年齢モデルと同等または低い回帰誤差を達成した。
• 本手法は、個別被験者用不確実性推定に対して統計的に妥当なカバレッジを提供し、指定された有意水準で、すべての参加者に対して真の脳年齢ギャップが予測区間内に含まれることを保証した。
• 本モデルから導かれた加速度的脳年齢の個別被験者確率は、アルツハイマー病、双極性障害、大うつ病性障害を有する被験者で有意に高い値を示した。
• 本モデルの不確実性推定は良好にキャリブレーションされており、コhort内の多様なサブグループにおいても統計的妥当性を維持した。