[論文レビュー] Functional connectivity patterns of autism spectrum disorder identified by deep feature learning

Hongyoon Choi|arXiv (Cornell University)|Jul 25, 2017

Functional Brain Connectivity Studies被引用数 20

ひとこと要約

本研究では、自閉症スペクトラム障害（ASD）の安静状態fMRIデータから多次元で非線形な機能的結合パターンを抽出するために、変分オートエンコーダー（VAE）を用いた深層学習ベースのデータ駆動型アプローチを提案する。この手法により、前頭parietal結合、背側内側前頭前頭皮質および皮質側坐核結合に関連する顕著な機能的結合特徴が特定され、IQと相関関係にあり、従来検出されていなかったASDにおける脳ネットワーク障害のパターンを明らかにする。

ABSTRACT

Autism spectrum disorder (ASD) is regarded as a brain disease with globally disrupted neuronal networks. Even though fMRI studies have revealed abnormal functional connectivity in ASD, they have not reached a consensus of the disrupted patterns. Here, a deep learning-based feature extraction method identifies multivariate and nonlinear functional connectivity patterns of ASD. Resting-state fMRI data of 972 subjects (465 ASD 507 normal controls) acquired from the Autism Brain Imaging Data Exchange were used. A functional connectivity matrix of each subject was generated using 90 predefined brain regions. As a data-driven feature extraction method without prior knowledge such as subjects diagnosis, variational autoencoder (VAE) summarized the functional connectivity matrix into 2 features. Those feature values of ASD patients were statistically compared with those of controls. A feature was significantly different between ASD and normal controls. The extracted features were visualized by VAE-based generator which can produce virtual functional connectivity matrices. The ASD-related feature was associated with frontoparietal connections, interconnections of the dorsal medial frontal cortex and corticostriatal connections. It also showed a trend of negative correlation with full-scale IQ. A data-driven feature extraction based on deep learning could identify complex patterns of functional connectivity of ASD. This approach will help discover complex patterns of abnormalities in brain connectivity in various brain disorders.

研究の動機と目的

• 従来の線形手法では捉えきれない、複雑で多次元的なASDにおける機能的結合パターンを同定すること。
• 従来のfMRI研究でASD関連の結合障害について合意が得られなかった問題を、データ駆動型で教師なしの深層学習アプローチによって克服すること。
• 事前の診断ラベルや事前に定義されたネットワークモデルに依存せずに、機能的結合行列から低次元で意味のある特徴を抽出すること。
• VAEベースのジェネレータを用いて学習された特徴を可視化・解釈し、合成された機能的結合行列を生成すること。
• 同定された結合特徴と認知的尺度（全尺度IQを含む）との関係を調査すること。

提案手法

• ABIDEデータセットから972名の被験者（ASD 465名、対照群 507名）の安静状態fMRIデータを用い、全90個の事前に定義された脳領域を用いて機能的結合行列を構築した。
• 各被験者の結合行列に対して変分オートエンコーダー（VAE）を適用し、非線形かつ多次元的なパターンを捉える2次元の連続的潜在表現を学習した。
• 診断ラベルを一切使用せずに教師なしで訓練したため、機能的結合データの内在的構造を保持した。
• ASD群と対照群との間で潜在特徴を統計的に比較し、顕著な差を同定した。
• VAEベースのジェネレータを用いて、同定されたASD関連特徴の極端な値に対応する合成された機能的結合行列を生成し、学習された特徴を可視化した。
• ASD関連特徴と全尺度IQとの関係を、相関分析により評価した。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型の深層学習アプローチを用いて、ASDにおいて同定可能な多次元的・非線形な機能的結合パターンは何か？
• RQ2 同定された機能的結合特徴と強く関連する脳ネットワーク結合はどれか？
• RQ3 同定された機能的結合特徴は、認知的パフォーマンス、特に全尺度IQとどのように関係しているか？
• RQ4 深層生成モデルは、ASDデータから学習された機能的結合パターンを効果的に可視化・解釈できるか？
• RQ5 VAEベースの特徴抽出法は、従来の単変量解析を超えて、一貫性があり生物学的に妥当なASDにおける結合障害をどの程度明らかにできるか？

主な発見

• VAEを用いて抽出された1つの機能的結合特徴は、ASD患者と神経形態の被験者との間に統計的に有意な差を示した（p < 0.05）。
• ASD関連特徴は、前頭parietal結合、背側内側前頭前頭皮質の相互結合、および皮質側坐核経路と強く関連していた。
• 同定された特徴は全尺度IQと負の傾向の相関を示し、ASDにおける結合障害と認知能力の潜在的関連を示唆した。
• VAEベースのジェネレータは、ASD関連パターンを反映した現実的で信頼性の高い仮想機能的結合行列を効果的に生成でき、学習された特徴の可視化を可能にした。
• データ駆動型の深層学習アプローチにより、従来のfMRI結合解析では一貫して検出されなかった、ASDにおける複雑で非線形な結合パターンが明らかになった。
• 本手法は、事前のネットワーク構造に関する仮定に依存せずに、神経発達障害における微細で多次元的な脳ネットワーク異常を明らかにする可能性を示した。