[論文レビュー] Machine Learning on Human Connectome Data from MRI

Colin J. Brown, Ghassan Hamarneh|arXiv (Cornell University)|Nov 26, 2016

Functional Brain Connectivity Studies参考文献 16被引用数 48

ひとこと要約

この論文は、MRI由来のヒト結合接続マップ（connectome）データに対する機械学習の応用をレビューし、77件の研究を統合して、臨床的アウトカムの予測や脳サブネットワークの同定に向けた手法を分析している。高次元で小標本サイズ（HDSSS）の課題、ネットワーク構造データに特化した特徴工学と学習モデルの評価、臨床的応用を進めるために多モodal統合と標準化・オープンなデータセットの活用を提言している。

ABSTRACT

Functional MRI (fMRI) and diffusion MRI (dMRI) are non-invasive imaging modalities that allow in-vivo analysis of a patient's brain network (known as a connectome). Use of these technologies has enabled faster and better diagnoses and treatments of neurological disorders and a deeper understanding of the human brain. Recently, researchers have been exploring the application of machine learning models to connectome data in order to predict clinical outcomes and analyze the importance of subnetworks in the brain. Connectome data has unique properties, which present both special challenges and opportunities when used for machine learning. The purpose of this work is to review the literature on the topic of applying machine learning models to MRI-based connectome data. This field is growing rapidly and now encompasses a large body of research. To summarize the research done to date, we provide a comparative, structured summary of 77 relevant works, tabulated according to different criteria, that represent the majority of the literature on this topic. (We also published a living version of this table online at http://connectomelearning.cs.sfu.ca that the community can continue to contribute to.) After giving an overview of how connectomes are constructed from dMRI and fMRI data, we discuss the variety of machine learning tasks that have been explored with connectome data. We then compare the advantages and drawbacks of different machine learning approaches that have been employed, discussing different feature selection and feature extraction schemes, as well as the learning models and regularization penalties themselves. Throughout this discussion, we focus particularly on how the methods are adapted to the unique nature of graphical connectome data. Finally, we conclude by summarizing the current state of the art and by outlining what we believe are strategic directions for future research.

研究の動機と目的

• MRIベースのヒト結合接続マップデータに機械学習を適用する分野における研究の増加を体系的にレビューし、統合すること。
• 結合接続ネットワーク特有のトポロジー構造に適した、主要な機械学習アプローチ、特徴選択／抽出手法、正則化戦略を特定・比較すること。
• N ≪ M（スキャン数 ≪ 特徴数）という特徴を示す、結合接続研究に共通する高次元で小標本サイズ（HDSSS）問題に対処すること。
• 構造的（dMRI）および機能的（fMRI）結合接続マップの統合を含む、構造予測や多モーダル統合といった未利用に近い機械学習パラダイムを検討すること。
• オンラインでホスティングされた動的で更新可能なリファレンステーブルを通じて、データ標準化、オープンな協働作業、コミュニティ主導のアップデートを促進すること。

提案手法

• MRI結合接続マップデータにおける機械学習分野の関連研究77件を比較的・構造的にレビューした。
• データモality（fMRI、dMRI、両方）、学習タスク（例：分類、回帰）、特徴表現（例：エッジ重み、グラフ統計量）、モデルアーキテクチャの観点から研究を分類した。
• グラフベースの特徴（例：次数、クラスタ係数）やネットワークトポロジーに特化した変換を含む、特徴工学アプローチを評価した。
• HDSSS環境における過学習を軽減するための正則化技術（例：L1、L2、グラフラプラシアンに基づくペナルティ）を分析した。
• 線形分類器、サポートベクターマシン、ランダムフォレスト、グラフ構造データに適応したディープラーニングアーキテクチャを含む学習モデルを検討した。
• http://connectomelearning.cs.sfu.ca/ にホスティングされた動的オンラインテーブルを提言し、コミュニティによる寄与と研究レビューの最新化を可能にした。

実験結果

リサーチクエスチョン

• RQ1 MRIベースの結合接続マップデータから臨床的アウトカムを予測するための、最も効果的な機械学習モデルと特徴工学戦略は何か？
• RQ2 異なる正則化および学習フレームワークは、結合接続研究における高次元で小標本サイズ（HDSSS）問題をどのように解決しているか？
• RQ3 構造的（dMRI）および機能的（fMRI）結合接続マップデータを統合することの利点と制限は何か？
• RQ4 構造予測モデルは、サブネットワークや行動状態といった複雑な出力を予測するために、どのように結合接続マップデータに応用できるか？
• RQ5 オープンで標準化され、コミュニティがメンテナンスするデータセットおよびベンチマークは、結合接続マップに基づく機械学習モデルの臨床的応用を進める上で果たす役割は何か？

主な発見

• 研究の中央値としてスキャン数（N）は59、特徴数（M）は2,850であり、N ≪ M を示す典型的なHDSSS問題が確認された。
• HDSSSの問題が広く見られる中、過学習を軽減するための高度な正則化や特徴選択を採用している研究は少数にとどまる。
• 多くの研究がdMRIデータが利用可能であっても、fMRIデータに限定して使用しており、構造的結合情報の活用が不十分であることが示された。
• 構造予測の検討は少数にとどまっており、結合接続マップから複雑で構造的な出力をモデル化する分野における今後の研究の大きな余地が示された。
• 多モーダル結合接続マップデータ（dMRI + fMRI）の統合は、意味のある生物学的差を明らかにし、一部のケースでは予測性能の向上をもたらした。
• 著者らは、分野における継続的な研究を支援する動的かつコミュニティ参加型のオンラインテーブル（http://connectomelearning.cs.sfu.ca/）を構築し、維持管理している。