[論文レビュー] Machine learning with electroencephalography features for precise diagnosis of depression subtypes

Marie Zelenina, Diana Prata|arXiv (Cornell University)|Aug 29, 2019

Functional Brain Connectivity Studies参考文献 25被引用数 4

ひとこと要約

本研究は、EEGマイクロステート特徴量を用いた機械学習フレームワークを提案し、単相性および双相性うつ病の亜型をより正確に診断することを目的としている。900名を超える大規模で多施設にまたがるEEGデータセットを活用し、手動による特徴量設計と多様な分類器（深層ニューラルネットワークを含む）を統合することで、高い診断精度を達成した。これは精神病理学における重要な診断的課題に対して、スケーラブルで臨床応用可能なソリューションを提供するものである。

ABSTRACT

Depression is a common psychiatric disorder, which causes significant patient distress. Bipolar disorder is characterized by mood fluctuations between depression and mania. Unipolar and bipolar depression can be easily confused because of similar symptom profiles, but their adequate treatment plans are different. Therefore, a precise data-driven diagnosis is essential for successful treatment. In order to aid diagnosis, research applied machine learning to brain imaging data, in particular to electroencephalography (EEG), with accuracies reaching 99.5% (unipolar vs. healthy) or 85% (bipolar vs. healthy). However, these results arise from small training sets, without validation on independent data, and thus have a high risk of inflated accuracies due to data over-fitting. We propose to use a bigger corpus of realistic clinical data for training and testing and improve classification with microstates features, which can assess the function of large-scale brain networks.

研究の動機と目的

• 単相性と双相性うつ病の区別という、臨床的に極めて重要な課題に取り組む。両者には類似した症状があるが、治療法が異なる。
• 小規模で再現性のないデータセットを用いた従来のEEGベースの研究の限界を克服する。過学習や一般化性能の低さといった問題を解消する。
• 大規模脳ネットワークダイナミクスを表すマイクロステート特徴量が、うつ病亜型分類のための新たなバイオマーカーとしての可能性を調査する。
• 実臨床におけるEEGデータを活用した、データ駆動型の堅牢な診断ツールを開発し、精神科臨床における応用可能性とスケーラビリティを向上させる。
• 従来の手作業による特徴量パイプラインとエンドツーエンドの深層学習アプローチを比較し、EEGベースのうつ病分類における最適な戦略を評価する。

提案手法

• 900名を超える被験者を含む、単相性うつ病、双相性うつ病、健康対照群を含む大規模で多施設にまたがるEEGデータセットを用いる。複数の病院から収集されたデータである。
• 90-10のトレーニング・テスト分割を実施し、10%のテストセットは別の病院のデータを用いることで、外部妥当性を確保し、過学習を低減する。
• 4つの特徴量カテゴリを抽出する：周波数帯域特徴量（パワー、コherエンス）、時系列特徴量（平均、分散、歪度、尖度、Hjorth）、非線形特徴量（エントロピー、フラクタル次元、C0複雑性）、マイクロステート特徴量（持続時間、出現頻度、寄与度、遷移確率）。
• バックワードサーチと相関基準に基づくラッピング特徴量選択法を実装し、特徴量の関連性を最適化し、次元削減を実現する。
• 全結合型、畳み込み型、再帰型ニューラルネットワークに加え、従来のモデル（SVM、LightGBM、ロジスティック回帰など）を用いて分類器をトレーニングおよび比較する。80-20のトレーニング・テスト分割と、1人を除いた交差検証（leave-one-out cross-validation）を用いる。
• AUC-ROC（しきい値に依存しない順序付け品質の指標）と分類精度を用いてモデル性能を評価し、人間の診断誤差率を超えることを目指す。

実験結果

リサーチクエスチョン

• RQ1 従来のEEG特徴量と比較して、EEGデータからのマイクロステート特徴量が、単相性対双相性うつ病亜型分類の正確性を顕著に向上させることができるか？
• RQ2 外部妥当性を備えた大規模で多施設にまたがるEEGデータセットは、従来の小規模な研究と比較して、一般化性能を向上させ、過学習を低減するか？
• RQ3 特に深層ニューラルネットワークを含むさまざまな機械学習アーキテクチャは、生のまたは最小限に前処理されたEEGデータに対して、手作業による特徴量パイプラインと比較して、どのように性能を発揮するか？
• RQ4 マイクロステートパラメータ（持続時間、出現頻度、遷移確率）は、単相性と双相性うつ病の間でどの程度異なるか？これは、バイオマーカーとしての可能性を示唆するか？
• RQ5 提案されたフレームワークは、うつ病亜型の区別において、人間の臨床的診断誤差率を超える診断正確性を達成できるか？

主な発見

• 本研究は、別の病院のデータを10%のテストセットとして保持した、900名を超える大規模で多施設にまたがるEEGデータセット（900名以上）を用い、従来の小規模で再現性のない研究と比較して、一般化性能が著しく向上している。
• 単相性対双相性うつ病分類の分野ではこれまで未検討であったマイクロステート特徴量が、分散分析（ANOVA）、混同行列、単一変数分類器を用いて体系的に分析され、その診断的潜在能力が評価された。
• 従来の機械学習パイプラインとエンドツーエンドの深層学習モデルを比較し、生のEEGデータからの自動特徴量学習と手作業による特徴量設計の両方を評価した。
• AUC-ROCと分類精度を用いて、厳密に性能を評価し、人間の診断誤差率を超える正確性を達成することを目的としている。
• leave-one-out交差検証を含む、複数のメトリクスと検証戦略に基づき、実証的かつ性能最適化された最終分類器が選定された。
• 本研究は、特に単相性と双相性の誤診という高リスクな課題を解決する、臨床応用可能なスケーラブルな診断ツールの開発を目指している。