[論文レビュー] Machine Learning pipeline for discovering neuroimaging-based biomarkers in neurology and psychiatry

Alexander Bernstein, Evgeny Burnaev+6 more|arXiv (Cornell University)|Apr 26, 2018

Functional Brain Connectivity Studies被引用数 4

ひとこと要約

本論文は、神経内科学および精神病理学における神経画像ベースのバイオマーカーを同定するための標準化された機械学習パイプラインを提案する。このパイプラインは、MRI/fMRIデータ処理、次元削減、および複数の機械学習アルゴリズムを統合している。パイプラインは、MRI陰性の側頭葉てんかんを同定する際、93%の特異度および90%の感度を達成し、fMRIデータを用いたうつ病の分類では80%の特異度および70%の感度を示した。

ABSTRACT

We consider a problem of diagnostic pattern recognition/classification from neuroimaging data. We propose a common data analysis pipeline for neuroimaging-based diagnostic classification problems using various ML algorithms and processing toolboxes for brain imaging. We illustrate the pipeline application by discovering new biomarkers for diagnostics of epilepsy and depression based on clinical and MRI/fMRI data for patients and healthy volunteers.

研究の動機と目的

• 神経内科学的および精神病理的疾患における神経画像ベースのバイオマーカーを同定するための再利用可能で反復可能な機械学習パイプラインの開発。
• MRI/fMRIにおける高次元データ（例：10^7ボクセル）における次元の呪いを、体系的な特徴選択と次元削減によって解決する。
• 臨床専門家および神経画像処理ツールボックスからのドメイン固有の知識を統合し、同定された特徴の生物学的解釈可能性を保証する。
• てんかんおよびうつ病の実臨床データセットを用いてパイプラインを検証し、高い診断精度を達成する。

提案手法

• パイプラインは、複数の段階（データ前処理、特徴抽出、次元削減、分類）から構成され、それぞれが異なる数学的アプローチに基づく複数のアルゴリズムレベルを有する。
• MRIおよびfMRIからの神経画像データは、標準化されたツールボックス（例：SPM、FreeSurfer）を用いて処理され、形態計測的特徴および機能的結合性特徴が抽出される。
• 過学習およびダブルディッピングを回避するため、L1正則化回帰および多様体学習などの手法を用いて、繰り返し特徴選択と次元削減が実施される。
• 妥当性を確保するため、10回繰り返しのストラティファイド交差検証フレームワークを用いてハイパーパramータチューニングおよびモデル評価が行われる。
• 分類器の性能は、さまざまなしきい値における真正陽性率および偽陽性率を用いて評価され、後続分析により生物学的に解釈可能な特徴が同定される。
• パイプラインはアルゴリズムチェーン（異なる段階およびレベルのアルゴリズムの順次的または反復的組み合わせ）をサポートしており、体系的なバイオマーカー同定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 標準化されモジュール化された機械学習パイプラインは、神経内科学的および精神病理的疾患における神経画像ベースのバイオマーカーを効果的に同定できるか？
• RQ2 構造的MRIと機能的fMRIの特徴タイプは、てんかんおよびうつ病の分類においてどのように比較されるか？
• RQ3 次元削減および特徴選択は、分類精度を向上させつつ生物学的解釈可能性を保持できるか？
• RQ4 特定のてんかん亜型（例：MRI陽性対MRI陰性TLE）に関連する最も特徴的な脳領域またはネットワークは何か？
• RQ5 fMRIデータからの機能的結合性特徴を用いて、パイプラインはうつ病における臨床的に意味のあるパターンを同定できるか？

主な発見

• MRI陰性の側頭葉てんかん（TLEN 対 健常対象者）の分類において、パイプラインは93%の特異度および90%の感度を達成し、MRI陽性TLEの分類を上回った。
• うつ病の分類において、fMRIベースの特徴は80%の特異度および70%の感度を示し、構造的MRI特徴（30% FPR時で65%特異度、47%感度）を顕著に上回った。
• MRI陰性TLEの最重要バイオマーカーは、左右の扁桃体、島回、前頭前野、および左小脳であった。これは、異なる神経生物学的メカニズムを示唆している。
• MRI陽性TLEでは、右小脳、楔前回、左腹側被殻、および右尾状体が主要な特徴であった。これは、異なる病理的基盤を示している。
• fMRIベースのうつ病分類では、左尾状体、左側頭極、右島皮質、および右上頭枕回が重要なバイオマーカーとして同定された。
• パイプラインは、分類器の後続分析を通じて生物学的に解釈可能な特徴を効果的に同定し、臨床的関連性および翻訳的潜在可能性を裏付けた。