[論文レビュー] Neural Processes Mixed-Effect Models for Deep Normative Modeling of Clinical Neuroimaging Data

Seyed Mostafa Kia, André F. Marquand|arXiv (Cornell University)|Dec 12, 2018

Functional Brain Connectivity Studies参考文献 32被引用数 8

ひとこと要約

本論文は、臨床的fMRIデータの深層規範的モデリングのためのニューラルプロセスベースの混合効果モデルを提案し、ランダム効果およびノイズのためのグローバルな潜在変数を学習することで、スケーラブルで不確実性を考慮した空間的構造を持つ予測を可能にする。ADHDにおける新奇性検出において、ガウス過程ベースの規範的モデリングを上回り、大規模な臨床的fMRIデータセットにおいても高い精度を維持しながら計算効率を確保している。

ABSTRACT

Normative modeling has recently been introduced as a promising approach for modeling variation of neuroimaging measures across individuals in order to derive biomarkers of psychiatric disorders. Current implementations rely on Gaussian process regression, which provides coherent estimates of uncertainty needed for the method but also suffers from drawbacks including poor scaling to large datasets and a reliance on fixed parametric kernels. In this paper, we propose a deep normative modeling framework based on neural processes (NPs) to solve these problems. To achieve this, we define a stochastic process formulation for mixed-effect models and show how NPs can be adopted for spatially structured mixed-effect modeling of neuroimaging data. This enables us to learn optimal feature representations and covariance structure for the random-effect and noise via global latent variables. In this scheme, predictive uncertainty can be approximated by sampling from the distribution of these global latent variables. On a publicly available clinical fMRI dataset, we compare the novelty detection performance of multivariate normative models estimated by the proposed NP approach to a baseline multi-task Gaussian process regression approach and show substantial improvements for certain diagnostic problems.

研究の動機と目的

• ガウス過程回帰の規範的モデリングにおける限界、特にスケーラビリティの低さと固定カーネルに依存する問題を解決する。
• 混合効果モデルをニューラルプロセスフレームワークに統合することで、神経画像データの空間的構造を持ち、多次元的なモデリングを可能にする。
• 深層学習の文脈で、ランダム効果およびノイズの最適な特徴表現と共分散構造を、グローバルな潜在変数を通じて学習する。
• ニューラルプロセスからの予測不確実性を活用することで、精神疾患の新奇性検出性能を向上させる。
• 大規模な臨床的神経画像コhortに対して、マルチタスクガウス過程回帰の計算的に効率的な代替手法を開発する。

提案手法

• 混合効果モデルを神経画像データに適用する際、テンソルガウス予測過程（TGPP）フレームワークを用いて確率的過程として形式化する。
• ニューラルプロセス（NPs）を採用し、関数の分布をモデル化し、不確実性と空間的構造をエンコードするグローバルな潜在変数を学習する。
• fMRIデータの空間的相関を保持し、パラメータ共有のコストを低減するために、NPアーキテクチャに畳み込みニューラルネットワーク（CNNs）を適用する。
• 確率的変分推論を用いて潜在変数の事後分布を近似し、トレーニングおよび推論において線形時間計算量を達成する。
• コンテキスト/ターゲットポイントをコンテキスト/ターゲット関数に再定式化し、コンテキスト関数は被験者サブセットからの固定効果推定を表すことで、ランダム効果の分散構造の学習を可能にする。
• NPsの確率的性質を活用し、エピステーメ的（モデル）不確実性とアレアトリック（データ）不確実性の両方を推定することで、バイオマーカー検出を強化する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルプロセスは、神経画像データにおける混合効果構造を効果的に適応可能であり、空間的依存性を保持できるか？
• RQ2 提案されたNPベースの規範的モデリングフレームワークは、ガウス過程ベースの手法と比較して、精神疾患の新奇性検出性能を向上させるか？
• RQ3 本手法は、制限的なカーネル仮定に依存せずに、大規模な臨床的fMRIデータセットにどの程度スケーリング可能か？
• RQ4 グローバルな潜在変数を通じて、ランダム効果およびノイズの最適な特徴表現と共分散構造をどの程度正確に学習できるか？
• RQ5 NPフレームワークにCNNを統合することで、不確実性推定中に高次元の神経画像データの空間的構造を維持できるか？

主な発見

• 提案されたニューラルプロセスベースの規範的モデリングフレームワークは、ベースラインのマルチタスクガウス過程回帰手法と比較して、ADHDの新奇性検出性能において顕著な向上を達成した。
• 本手法は、教師なし新奇性検出設定において、健常対照群からのADHD患者の識別において優れた正確性を示した。
• トレーニングおよび推論において、サンプル数に対して計算複雑度が線形に保たれ、大規模な臨床コhortへのスケーラビリティを実現した。
• NPアーキテクチャに畳み込みニューラルネットワークを用いることで、大規模な共分散行列の逆行列計算を必要とせず、fMRIデータの空間的構造を効果的に保持した。
• グローバルな潜在変数からのサンプリングにより、予測不確実性が正確に近似され、強力なバイオマーカー探索を支援した。
• エンドツーエンドのトレーニングにより、構造的ランダム効果およびノイズ共分散が成功裏に学習され、直交基底関数への制限的仮定を回避した。