[論文レビュー] Multi-task Learning with Weak Class Labels: Leveraging iEEG to Detect Cortical Lesions in Cryptogenic Epilepsy

Bilal Ahmed, Thomas Thesen+5 more|arXiv (Cornell University)|Jul 30, 2016

Domain Adaptation and Few-Shot Learning被引用数 4

ひとこと要約

本稿では、ノイズの多い手術的切除ラベルと頭蓋内EEG（iEEG）の信頼度スコアを併用することで、MRI陰性のてんかん患者における微細な皮質病変を検出するマルチタスク学習フレームワークを提案する。iEEG由来の信頼度スコアを順位関数としてモデル化し、タスク固有のMTL定式化に統合することで、ベースラインと比較して顕著に少ない誤検出を実現しながら、全患者で100%の病変検出を達成した。

ABSTRACT

Multi-task learning (MTL) is useful for domains in which data originates from multiple sources that are individually under-sampled. MTL methods are able to learn classification models that have higher performance as compared to learning a single model by aggregating all the data together or learning a separate model for each data source. The performance of these methods relies on label accuracy. We address the problem of simultaneously learning multiple classifiers in the MTL framework when the training data has imprecise labels. We assume that there is an additional source of information that provides a score for each instance which reflects the certainty about its label. Modeling this score as being generated by an underlying ranking function, we augment the MTL framework with an added layer of supervision. This results in new MTL methods that are able to learn accurate classifiers while preserving the domain structure provided through the rank information. We apply these methods to the task of detecting abnormal cortical regions in the MRIs of patients suffering from focal epilepsy whose MRI were read as normal by expert neuroradiologists. In addition to the noisy labels provided by the results of surgical resection, we employ the results of an invasive intracranial-EEG exam as an additional source of label information. Our proposed methods are able to successfully detect abnormal regions for all patients in our dataset and achieve a higher performance as compared to baseline methods.

研究の動機と目的

• 標準的なMRIで顕著な異常を示さない焦点性皮質形成不全（FCD）患者において、発作巣となる病変を検出する課題に対処すること。
• 広い切除範囲によるラベルノイズを軽減し、学習データに含まれる誤検出を低減すること。
• 分類器の性能向上を図るために、追加のiEEG由来の信頼度スコアを補助的監視情報として活用すること。
• 各患者の解剖学的ばらつきを保持するため、各患者を別個の関連する分類タスクとして扱うこと。
• 神経放射線科医が視覚的に判別が難しいFCD病変を、マルチモodalな証拠を用いて特定する能力を高める、臨床的前処置用の強固なツールを開発すること。

提案手法

• 各患者を別個の関連する分類タスクとして扱うマルチタスク学習（MTL）フレームワークを定式化すること。
• iEEG信頼度スコアをペairワイズ順位関数としてモデル化し、ラベルの不確実性を指針とするタスク固有のMTLアプローチを導入すること。
• 順位情報がタスク間で直接共有されないよう保証するための新規なオペレータ値カーネルを開発すること。
• 正則化されたMTLフレームワークに追加のランク制約を導入し、信頼度スコアをソフト監視情報として統合すること。
• ボックス制約を伴う二次計画法によりモデルを最適化し、標準的なQPソルバで解ける形にすること。
• leave-one-patient-out交差検証を用い、切除ゾーンとiEEGに基づく発作巣領域の両方の監視情報を組み合わせたMRIデータで学習すること。

実験結果

リサーチクエスチョン

• RQ1 弱いラベル付きデータと補助的信頼度スコアを用いたマルチタスク学習が、MRI陰性のてんかん患者における微細な皮質病変の検出を改善できるか？
• RQ2 iEEG由来の信頼度順位を組み込むことで、切除データにのみ依存する場合と比較して、病変検出モデルの性能と頑健性がどのように向上するか？
• RQ3 個々の患者固有の順位意味を保持するタスク固有のMTL定式化は、グローバルに共有される順位制約と比較して、病変検出において優れているか？
• RQ4 補助的なiEEG情報によって、臨床的前処置評価の文脈で誤検出率をどれほど低減できるか、一方で高い検出率を維持できるか？
• RQ5 提案手法が、ベースライン手法が失敗するか、許容できないほど高い誤検出率を示す状況においても、すべてのMRI陰性患者で100%の病変検出を達成できるか？

主な発見

• タスク固有（TS）MTLアプローチは、全15例のMRI陰性患者で病変を検出し、100%の検出率を達成。すべてのベースラインを上回った。
• TS手法は平均誤検出率（FPR）が12.3%にまで低下したのに対し、SVMRベースラインは37%であったため、注目領域を示すツールとしてより適している。
• ベースライン手法の中では、標準的MTLが12例、LDAが11例、SLRが9例で病変を検出しており、提案手法の優位性が示された。
• グローバルに一貫性のある（GC）MTLバージョンは、異種の患者固有iEEGデータに共通の順位制約を適用したことで、ラベルノイズが蓄積され、最も悪い性能を示した。
• 提案手法は、すべてのベースラインと比較して平均リcallが高く、実際の切除ゾーンをよりよくカバーしていることを示した。
• iEEG信頼度スコアを順位関数として用いることで、モデルの一般化性能が著しく向上し、ノイズの多い切除ラベルへの過学習が低減した。