[論文レビュー] Machine Learning Applications on Neuroimaging for Diagnosis and Prognosis of Epilepsy: A Review

Jie Yuan, Xuming Ran+5 more|arXiv (Cornell University)|Feb 5, 2021

EEG and Brain-Computer Interfaces被引用数 4

ひとこと要約

本レビューは、てんかん神経画像診断における機械学習の応用を要約し、MRI、DWI、fMRI、PETを用いた診断および予後予測に焦点を当てる。従来の機械学習（特徴工学を伴う）とディープラーニング（例：CNN、オートエンコーダー）を比較し、画像分類、病巣の局在化、側坐性の特定、臨床予測におけるその役割を示す。一方で、データの不均衡、画像の異質性、モデルの解釈可能性の欠如といった課題にも言及し、コンピュータ支援てんかん医療の発展に寄与する。

ABSTRACT

Machine learning is playing an increasingly important role in medical image analysis, spawning new advances in the clinical application of neuroimaging. There have been some reviews on machine learning and epilepsy before, and they mainly focused on electrophysiological signals such as electroencephalography (EEG) and stereo electroencephalography (SEEG), while neglecting the potential of neuroimaging in epilepsy research. Neuroimaging has its important advantages in confirming the range of the epileptic region, which is essential in presurgical evaluation and assessment after surgery. However, it is difficult for EEG to locate the accurate epilepsy lesion region in the brain. In this review, we emphasize the interaction between neuroimaging and machine learning in the context of epilepsy diagnosis and prognosis. We start with an overview of epilepsy and typical neuroimaging modalities used in epilepsy clinics, MRI, DWI, fMRI, and PET. Then, we elaborate two approaches in applying machine learning methods to neuroimaging data: i) the conventional machine learning approach combining manual feature engineering and classifiers, ii) the deep learning approach, such as the convolutional neural networks and autoencoders. Subsequently, the application of machine learning on epilepsy neuroimaging, such as segmentation, localization, and lateralization tasks, as well as tasks directly related to diagnosis and prognosis are looked into in detail. Finally, we discuss the current achievements, challenges, and potential future directions in this field, hoping to pave the way for computer-aided diagnosis and prognosis of epilepsy.

研究の動機と目的

• 機械学習と神経画像診断の間のギャップを埋めるために、現在の応用と限界をレビューすること。
• EEGと比較して、神経画像診断、特に発作巣の局在化における臨床的価値を強調すること。
• 神経画像データの分析において、従来の機械学習（特徴工学＋分類器）とディープラーニング（CNN、オートエンコーダー）を比較すること。
• データの不均衡、画像の異質性、モデルの解釈可能性の欠如といった、臨床応用における主な課題を特定すること。
• 生成モデルによるデータ拡張や非ユークリッド的神経画像データ向けのグラフニューラルネットワークを含む、今後の研究方向性を提案すること。

提案手法

• MRI、DWI、fMRI、PET画像モodalitiesを用いたてんかん神経画像診断における機械学習応用の体系的レビュー。
• 手法を2つの流れに分類：従来の機械学習（手動による特徴抽出に続く分類器、例：SVM やランダムフォレスト）とディープラーニング（CNN やオートエンコーダーによるエンドツーエンド学習）。
• 生成対抗ネットワーク（GANs）と尤度ベースのモデル（例：VAE、Pixel CNN、Glow）を用いて、データ拡張および分布外検出を実施し、クラスの不均衡やノイズの多いラベルに対処する。
• 非ユークリッド的神経画像データ（例：DWIからの白質線路やBOLD信号）をモデル化するためのグラフ畳み込みネットワーク（GCNs）の活用。
• 多様な患者集団における一般化性能の向上を目的に、ベイジアン非パラメトリックモデルと制限ボルツマンマシンの利用。
• 臨床的および画像診断データを用いて、画像分類、局在化、側坐性の特定、診断、予後予測というタスクにおけるモデル性能の評価。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、従来のEEGベースの手法と比較して、神経画像診断における発作巣の局在化の正確性と信頼性をどのように向上させ得るか？
• RQ2 てんかん特有の神経画像データを分析する際、従来の機械学習とディープラーニングの相対的な長所と短所は何か？
• RQ3 機械学習モデルは、てんかん画像データセットにおけるデータの不均衡と異質性をどのように扱えるか？
• RQ4 説明可能なAIと異常検出技術は、てんかん医療における機械学習モデルの信頼性と臨床的受容をどのように向上させ得るか？
• RQ5 グラフニューラルネットワーク（GCNs）やGANsを含む、非ユークリッド的神経画像構造をモデル化するにあたり、有望な新規機械学習アーキテクチャは何か？

主な発見

• MRI、fMRI、PETといった神経画像診断モダリティは、特に手術前評価において、発作巣の範囲とサイズを確認する上で極めて重要であり、空間的局在化においてEEGを上回る。
• 神経画像診断で発作巣が可視化される場合、根治的手術後の発作制御率は2〜3倍に向上する。これは、正確な画像診断分析の臨床的価値を強く示唆する。
• 手動による特徴工学と分類器（例：SVM）を組み合わせた従来の機械学習手法は、画像分類、局在化、側坐性の特定タスクで優れた性能を示す。
• 特にCNNやオートエンコーダーを用いたディープラーニングモデルは、生の神経画像データからエンドツーエンドで学習可能であり、特徴表現の質と診断の正確性を向上させる。
• GAN や VAE などの生成モデルは、稀なてんかんタイプ（例：運動皮質てんかん）のデータ拡張により、データの不均衡を緩和し、分類バイアスを低減する。
• 尤度ベースの生成モデルとOOD（Out-of-Distribution）検出技術は、ノイズの多いまたは分布外の入力に対してもモデルの頑健性を高め、臨床現場での信頼性を向上させる。