[論文レビュー] Machine learning of neuroimaging to diagnose cognitive impairment and dementia: a systematic review and comparative analysis

Enrico Pellegrini, Lucia Ballerini+12 more|arXiv (Cornell University)|Apr 5, 2018

Dementia and Cognitive Impairment Research被引用数 7

ひとこと要約

本システマティックレビューでは、2006年から2016年までの111件の研究を対象に、神経画像を用いた機械学習（ML）モデルが認知症や認知症の前駆症状を診断する能力を評価している。MLモデルはアルツハイマー病（AD）と健常対照群を区別する際には高い正確性を示すが、臨床的に重要な区別、例えば軽度認知障害（MCI）と対照群、MCI変換者と非変換者との区別では性能が著しく低下しており、マルチモodalデータ統合による改善にもかかわらず、臨床応用への課題が浮き彫りになっている。

ABSTRACT

INTRODUCTION: Advanced machine learning methods might help to identify dementia risk from neuroimaging, but their accuracy to date is unclear. METHODS: We systematically reviewed the literature, 2006 to late 2016, for machine learning studies differentiating healthy ageing through to dementia of various types, assessing study quality, and comparing accuracy at different disease boundaries. RESULTS: Of 111 relevant studies, most assessed Alzheimer's disease (AD) vs healthy controls, used ADNI data, support vector machines and only T1-weighted sequences. Accuracy was highest for differentiating AD from healthy controls, and poor for differentiating healthy controls vs MCI vs AD, or MCI converters vs non-converters. Accuracy increased using combined data types, but not by data source, sample size or machine learning method. DISCUSSION: Machine learning does not differentiate clinically-relevant disease categories yet. More diverse datasets, combinations of different types of data, and close clinical integration of machine learning would help to advance the field.

研究の動機と目的

• 神経画像を用いた機械学習モデルの認知症の進行段階を区別する診断的正確性を評価すること。
• データタイプ、サンプルサイズ、機械学習手法、データソースがモデル性能に与える影響を評価すること。
• 特に軽度認知障害（MCI）の区別やMCIから認知症への変換予測に関する、現在の研究におけるギャップを特定すること。
• 神経変性疾患における異なる疾患境界におけるMLアプローチの比較分析を実施すること。
• 将来的な研究を支援するため、臨床統合に向けた主な制限要因と機会を同定すること。

提案手法

• 2006年から2016年末までに、認知症の進行段階に応じた神経画像データの分類を目的とした機械学習を用いた研究を対象に、システマティックレビューを実施した。
• 研究の方法的質は、データソース、画像シーケンス（例：T1強調画像）、機械学習アルゴリズム（例：サポートベクターマシン）、データ統合手法の観点から評価された。
• 疾患境界ごとの診断正確性を比較した：健常対照群 vs. アルツハイマー病（AD）、対照群 vs. MCI、MCI変換者 vs. 非変換者。
• 正確性、感度、特異度などの性能指標を、各研究から抽出し、分析した。
• マルチモーダルデータ統合（例：構造的、機能的、拡散MRI）がモデル性能に与える影響を評価した。
• モデルが微細で早期の認知症の進行を検出できるかどうかを評価することで、臨床的意義を強調した。

実験結果

リサーチクエスチョン

• RQ1 神経画像を用いた機械学習モデルは、アルツハイマー病と高齢化に起因する健常対照群を区別する際、どの程度の診断正確性を示すか？
• RQ2 MCIと対照群、またはMCI変換者と非変換者との区別といった、異なる臨床的境界において、モデルの性能はどのように変化するか？
• RQ3 データタイプ、サンプルサイズ、機械学習アルゴリズム、またはデータソースが、モデルの正確性にどの程度影響を与えるか？
• RQ4 単一モodalアプローチと比較して、複数の神経画像モodalを統合することで診断性能が向上するか？
• RQ5 現在の機械学習モデルが、認知症の早期発見に臨床的に有用でない主な制限要因は何か？

主な発見

• アルツハイマー病と健常対照群を区別する際の最高の診断正確性が達成されており、多くの研究で90％を超える正確性が報告されている。
• MCIと健常対照群、MCI変換者と非変換者を区別する際には性能が著しく低下しており、早期発見の臨床的有用性が限定的であることが示された。
• T1、T2、拡散、機能的MRIを含むマルチモーダル神経画像データの統合により、単一シーケンスアプローチに比べてモデルの正確性が向上した。
• サンプルサイズの増加、より高度な機械学習手法の採用、ADNIなどの特定のデータソースの利用においても、正確性の顕著な向上は観察されなかった。
• サポートベクターマシン（SVM）とT1強調画像が、それぞれ最も一般的に使用された手法とシーケンスであった。
• 本レビューは、現在のMLモデルが臨床的に重要な疾患境界を十分に解明できていないと結論づけ、より多様なデータセットと臨床統合の必要性を強調している。