[論文レビュー] Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning

Li Pan, Jundong Liu+3 more|ArXiv.org|Sep 19, 2021

Autism Spectrum Disorder Research参考文献 52被引用数 8

ひとこと要約

本論文は、fMRIデータからのASD診断を向上させるために、個別意識のあるダウンサンプリングとマルチモーダル学習を統合するグラフベースのディープラーニングフレームワークを提案する。脳活動を階層的グラフとしてモデル化し、グラフプーリングとGCNを用いて機能的結合と領域的活動を捉えながら、表現型の異質性に対応する。この手法は、ABIDE-Iデータセットで87.62%の正確性と0.92のAUCを達成し、最先端の手法を上回る性能を示した。

ABSTRACT

Autism Spectrum Disorder(ASD) is a set of neurodevelopmental conditions that affect patients' social abilities. In recent years, many studies have employed deep learning to diagnose this brain dysfunction through functional MRI (fMRI). However, existing approaches solely focused on the abnormal brain functional connections but ignored the impact of regional activities. Due to this biased prior knowledge, previous diagnosis models suffered from inter-site measurement heterogeneity and inter-individual phenotypic differences. To address this issue, we propose a novel feature extraction method for fMRI that can learn a personalized lower-resolution representation of the entire brain networking regarding both the functional connections and regional activities. Specifically, we abstract the brain imaging as a graph structure and straightforwardly downsample it to substructures by hierarchical graph pooling. To further recalibrate the distribution of the extracted features under phenotypic information, we subsequently embed the sparse feature vectors into a population graph, where the hidden inter-subject heterogeneity and homogeneity are explicitly expressed as inter- and intra-community connectivity differences, and utilize Graph Convolutional Networks to learn the node embeddings. By these means, our framework can extract features directly and efficiently from the entire fMRI and be aware of implicit inter-individual variance. We have evaluated our framework on the ABIDE-I dataset with 10-fold cross-validation. The present model has achieved a mean classification accuracy of 87.62\% and a mean AUC of 0.92, better than the state-of-the-art methods.

研究の動機と目的

• 既存のfMRIベースのASD診断手法が機能的結合にのみ注目しているが、領域的脳活動を無視しているという限界を是正すること。
• fMRIベースのASD分類におけるサイト間測定の異質性と被験者間表現型のばらつきを低減すること。
• 機能的結合と領域的活動を同時にモデル化する、個別化されたグラフ構造表現に基づく統合的でエンドツーエンドのフレームワークを開発すること。
• 非画像表現型データ（例：性別、年齢、施設）をモデルに組み込むことで、耐性と汎化性能を向上させること。
• ABIDE-I fMRIデータセットにおいて、最先端の手法を上回る優れた性能を示すこと。

提案手法

• 脳をグラフとしてモデル化し、ノードを脳領域、エッジをfMRI時系列データから導出された機能的結合として定義する。
• 自己注意に基づくグラフプーリング機構を用いて階層的ダウンサンプリングを実行し、機能的結合と領域的活動を保持する個別化された低解像度脳サブグラフを生成する。
• プールされたサブグラフをパopulationグラフに埋め込み、コミュニティ内およびコミュニティ間の結合パターンが被験者間および被験者内異質性を反映するようにする。
• グラフ畳み込みネットワーク（GCN）を用いてノード埋め込みを学習し、表現型情報を利用して特徴分布を再キャリブレーションする。
• マルチレイヤーパーセプトロン（MLP）を用いて、GCNで学習されたノード埋め込みに基づき被験者をASDまたはコントロールに分類する。
• フレームワークは、ABIDE-Iデータセット上で10分割交差検証を用いてエンドツーエンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 機能的結合と脳領域活動を同時にモデル化するグラフベースのフレームワークは、ASD診断の正確性を向上させることができるか？
• RQ2 グラフプーリングによる個別意識のあるダウンサンプリングは、fMRIデータにおける被験者間ばらつきとサイト間異質性の影響をどの程度低減できるか？
• RQ3 グラフ畳み込みネットワークは、表現型情報（例：性別、年齢、施設）をどの程度活用して特徴学習を正則化し、モデルの耐性を向上させることができるか？
• RQ4 提案手法は、ABIDE-I fMRIデータセットにおける分類正確性とAUCの観点で、既存の最先端手法を上回る性能を示すか？
• RQ5 パopulationグラフにおける学習済みノード埋め込みは、性別や年齢などの表現型属性に対応する意味のあるクラスタリングパターンを明らかにできるか？

主な発見

• 提案フレームワークは、ABIDE-Iデータセットで平均分類正確性87.62% ± 0.06、平均AUC 0.92 ± 0.01を達成し、最先端の手法を上回った。
• グラフ畳み込みネットワーク（GCN）分類器は、正確性（0.027）とAUC（0.0037）の標準偏差が小さく、ロジスティック回帰よりも優れた耐性を示した。
• GCNはロジスティック回帰よりも高い性能を示した（86.07%の正確性、0.93のAUC）、ただし著しく長い訓練時間（76,169エポック vs. 625）を要した。
• GCNで学習されたノード埋め込みのt-SNE可視化から、特に性別において明確なクラスタリングパターンが観察され、被験者間の差を効果的に捉えていることが示された。
• モデルの性能は各foldで安定しており、正確性とAUCの分散が低く抑えられており、優れた汎化性能と耐性を示した。
• 表現型情報をパopulationグラフに統合することで、特徴の再キャリブレーションが向上し、特にサイト間ばらつきの処理においてモデルの汎化性能が向上した。