[論文レビュー] iPAL: A Machine Learning Based Smart Healthcare Framework For Automatic Diagnosis Of Attention Deficit/Hyperactivity Disorder (ADHD)

Abhishek Sharma, Arpit Jain+4 more|arXiv (Cornell University)|Feb 1, 2023

EEG and Brain-Computer InterfacesNeuroscience被引用数 3

ひとこと要約

本稿では、表型データ（SVMを用いて）と安静状態fMRIデータ（ニューラルネットワークを用いて）を統合する新しいアンサンブル機械学習フレームワークiPALを提案する。このシステムは、ADHDの正確で自動化された診断を可能にし、ADHD200データセットの400名の被験者を対象に92.5％の精度を達成した。表型SVMによる精度は99.16％、fMRIベースのニューラルネットワークによる精度は86.67％であり、遠隔でスケーラブルな臨床診断の強力な可能性を示している。

ABSTRACT

ADHD is a prevalent disorder among the younger population. Standard evaluation techniques currently use evaluation forms, interviews with the patient, and more. However, its symptoms are similar to those of many other disorders like depression, conduct disorder, and oppositional defiant disorder, and these current diagnosis techniques are not very effective. Thus, a sophisticated computing model holds the potential to provide a promising diagnosis solution to this problem. This work attempts to explore methods to diagnose ADHD using combinations of multiple established machine learning techniques like neural networks and SVM models on the ADHD200 dataset and explore the field of neuroscience. In this work, multiclass classification is performed on phenotypic data using an SVM model. The better results have been analyzed on the phenotypic data compared to other supervised learning techniques like Logistic regression, KNN, AdaBoost, etc. In addition, neural networks have been implemented on functional connectivity from the MRI data of a sample of 40 subjects provided to achieve high accuracy without prior knowledge of neuroscience. It is combined with the phenotypic classifier using the ensemble technique to get a binary classifier. It is further trained and tested on 400 out of 824 subjects from the ADHD200 data set and achieved an accuracy of 92.5% for binary classification The training and testing accuracy has been achieved upto 99% using ensemble classifier.

研究の動機と目的

• 臨床医による評価に依存しない、スケーラブルで自動化されたADHD診断システムの開発。
• 表型情報と機能的MRI（fMRI）スキャンのマルチモーダルデータ統合により、診断精度の向上。
• 他の神経発達障害と症状が重複するため、従来のADHD診断がしばしば誤診を引き起こすという限界の是正。
• クラウドホスティングされた知能的ヘルスケアフレームワークを活用し、遠隔かつリアルタイムの診断を可能にし、支援が不足している地域に適応。
• ADHD200という大規模で公開可能なデータセット上でフレームワークを検証するとともに、データ前処理と特徴量工学により耐性を確保。

提案手法

• データキュレーション後、505名分の表型データと400名分のfMRIデータを含むADHD200データセットを活用。
• 表型データに対する多値分類および二値分類に、径基数関数（RBF）カーネルを用いたサポートベクターマシン（SVM）を適用。
• nilearnライブラリを用いて安静状態fMRI（rs-fMRI）データから得られる機能的結合マトリクスを入力に、深層ニューラルネットワークを訓練。その後、カスタムクラウドホスティングパイプラインにより400名にスケーリング。
• fMRIのノイズ低減とモデルの一般化向上のため、特徴量選択技術としてmeanFDおよびDVARSを適用。運動補正にはRMSFDを用いた。
• 表型データ用SVMとfMRI用ANNの2つの分類器を、等価な重みを用いたアンサンブル平均化手法で統合し、最終的な二値分類を実施。
• 10-fold交差検証を用いてモデルを検証し、テスト分割における精度、適合率、F1スコアなどのパフォーマンス指標を報告。

実験結果

リサーチクエスチョン

• RQ1 表型データとfMRIデータを統合した機械学習アンサンブルは、単一モダリティ手法と比較して、ADHD診断精度を顕著に向上させることができるか？
• RQ2 ADHD分類において、表型データに対するSVMの性能は、ロジスティック回帰、KNN、AdaBoostなどの他の教師あり学習モデルと比較してどうなるか？
• RQ3 神経科学的知識が事前にない状態で、rs-fMRIデータからの機能的結合を学習対象とする深層ニューラルネットワークが、高い診断精度を達成できる程度はどの程度か？
• RQ4 アンサンブル学習による表型データと神経画像データの統合は、単独で使用する場合と比較して、より頑健で一般化可能な診断を可能にするか？
• RQ5 このフレームワークは、より大規模なデータセットにスケーリング可能か。また、データ標準化とノイズ低減における課題は何か？

主な発見

• 表型データに対するSVM分類器は99.16％の精度を達成し、同じデータセット上でロジスティック回帰、KNN、AdaBoost、ランダムフォレストを上回った。
• fMRIデータに対する深層ニューラルネットワークは、400名のfMRIサブセットで86.67％の精度を達成し、初期データが限られていた（n=40）にもかかわらず、強力な性能を示した（nilearnによる）。
• 表型SVMとfMRIニューラルネットワークを統合したアンサンブルモデルは、等価な重みを用いて92.5％の精度を達成し、個々のモデルよりも相乗効果を示した。
• アンサンブルモデルは99％の訓練精度と92.5％のテスト精度を達成し、優れた一般化性能と低い過学習を示した。
• アンサンブルモデルでは、100％の適合率と99％のF1スコアを達成し、陽性および陰性予測の両方において高い信頼性を確認した。
• 本研究は、表型データが単独でも非常に高い診断信号を提供することを確認した。一方、適切に前処理および統合されたfMRIデータは、補完的な予測力を追加する。