[論文レビュー] Models of Disease Spectra

Iead Rezek, Christian F. Beckmann|arXiv (Cornell University)|Jul 19, 2012

Gaussian Processes and Bayesian Inference参考文献 25被引用数 3

ひとこと要約

本稿では、アルツハイマー病（AD）の進行に伴う脳活性化の連続的スケールをモデル化するため、神経心理学的スコア（例：MMSE、ACE）を連続的入力として使用して、ガウス過程（GP）回帰を提案する。fMRI表現型をこれらのスコアの関数として直接モデル化することにより、観測されていない行動的状態における脳機能の高分解能で不確実性を考慮した予測が可能となり、神経的低下の非線形パターンを明らかにするとともに、予測の信頼性を高めるために最適な訓練データポイントを同定する。

ABSTRACT

Case vs control comparisons have been the classical approach to the study of neurological diseases. However, most patients will not fall cleanly into either group. Instead, clinicians will typically find patients that cannot be classified as having clearly progressed into the disease state. For those subjects, very little can be said about their brain function on the basis of analyses of group differences. To describe the intermediate brain function requires models that interpolate between the disease states. We have chosen Gaussian Processes (GP) regression to obtain a continuous spectrum of brain activation and to extract the unknown disease progression profile. Our models incorporate spatial distribution of measures of activation, e.g. the correlation of an fMRI trace with an input stimulus, and so constitute ultra-high multi-variate GP regressors. We applied GPs to model fMRI image phenotypes across Alzheimer's Disease (AD) behavioural measures, e.g. MMSE, ACE etc. scores, and obtained predictions at non-observed MMSE/ACE values. The overall model confirmed the known reduction in the spatial extent of activity in response to reading versus false-font stimulation. The predictive uncertainty indicated the worsening confidence intervals at behavioural scores distance from those used for GP training. Thus, the model indicated the type of patient (what behavioural score) that would need to included in the training data to improve models predictions.

研究の動機と目的

• 疾患ステージを離散化し、データのビニングによって情報が損なわれる従来の症例対照fMRI研究の限界を克服すること。
• MMSE や ACE のような神経心理学的マーカーの連続的関数として脳活性化をモデル化し、アルツハイマー病進行の真のスケールを反映すること。
• 将来のデータ収集およびコhort設計の改善に役立てる予測不確実性推定値を提供すること。
• 通常のGP回帰のパラダイムを逆転させ、脳機能を行動的スコアから予測するのではなく、逆に行動的スコアから脳機能を予測することで、臨床的低下の神経生理的原因を解明すること。
• 皮質全体にわたる脳活性化パターンに対して、最も関連性のある行動的マーカーを領域別に特定することを可能にすること。

提案手法

• 低次元の行動スコア（例：MMSE、ACE）の連続的関数として高次元のfMRI画像表現型をモデル化するため、ガウス過程回帰を用いる。
• 全脳にわたる行動マーカーと脳活性化の滑らかで非線形の依存関係を捉えるために、二乗指数カーネルを適用する。
• 小標本サイズ（N=15）のため、偏りが知られているものの、LOO（leave-one-out）交差検証をモデル検証に用いる。
• 神経心理学的スコアを連続的で独立した変数として扱い、疾患ステージの情報損なわれるビニングを回避する。
• 未観測の行動スコアに対する予測分布と不確実性区間を提供するため、ベイズ推論を用いる。
• 線形モデルと非線形GPモデルを比較することで、脳領域ごとの疾患進行の形状を評価する。

実験結果

リサーチクエスチョン

• RQ1 fMRI表現型を、離散的疾患群ではなく連続的神経心理学的行動スコアの関数としてどのようにモデル化できるか？
• RQ2 MMSE や ACE スコアに関して、脳活性化の変化の形状は線形か非線形か？（ADスケール全体で）
• RQ3 予測不確実性は、異なる行動スコア値の周囲でどのように変化するか？また、モデルの正確性を向上させるために、どこに新しいデータを収集すべきか？
• RQ4 どの脳領域が認知機能の変化に対して最も感受性が高く、あるいは特徴的な反応を示すか？また、それらの活性化パターンを最もよく説明する行動マーカーは何か？
• RQ5 行動スコアから脳機能を予測する逆方向のGP回帰アプローチは、標準分類手法では捉えきれない因果関係の神経生理的傾向を明らかにできるか？

主な発見

• 非線形GPモデルは、全脳にわたり線形モデルよりも顕著に優れたフィットを示し、神経活性化パターンにおける疾患進行が一様に線形ではないことを示している。
• 非線形モデルの全体的優位性にもかかわらず、線形モデルは側頭葉では優れていることから、記憶関連の活性化強度がMMSE成績と線形に相関している可能性がある。
• 訓練データ範囲から離れた行動スコアでは、予測不確実性が上昇しており、外挿予測の信頼性が低下していることが示された。
• 将来的な訓練データに含めることで予測精度を最も高められる特定の行動スコア範囲が同定され、データ駆動型の研究設計が可能になった。
• 本手法は、読書刺激と偽フォント刺激に対する活性化領域の空間的広がりの減少という既知の事実を的確に捉えており、生物学的妥当性を裏付けた。
• 本手法は、fMRIモデリングにおいてこれまで実証されていなかった、領域別に最も関連性のある行動マーカーの特定を可能にした、画期的な能力を有している。