[論文レビュー] Predicting brain age with deep learning from raw imaging data results in a reliable and heritable biomarker

James H. Cole, Rudra P. K. Poudel+5 more|UCL Discovery (University College London)|Dec 8, 2016

Functional Brain Connectivity Studies参考文献 16被引用数 22

ひとこと要約

本研究では、生のT1強調MRIスキャンから直接脳年齢を予測するための畳み込みニューラルネットワーク（CNN）を用いた深層学習モデルを導入し、高い正確性と信頼性を達成した。このアプローチにより、スキャナーよりも強固で、遺伝的要因が強く関与するバイオマーカーが得られ、最小限の前処理でリアルタイムでの脳の健康状態の評価が可能になった。

ABSTRACT

Machine learning analysis of neuroimaging data can accurately predict chronological age in healthy people and deviations from healthy brain ageing have been associated with cognitive impairment and disease. Here we sought to further establish the credentials of "brain-predicted age" as a biomarker of individual differences in the brain ageing process, using a predictive modelling approach based on deep learning, and specifically convolutional neural networks (CNN), and applied to both pre-processed and raw T1-weighted MRI data. Firstly, we aimed to demonstrate the accuracy of CNN brain-predicted age using a large dataset of healthy adults (N = 2001). Next, we sought to establish the heritability of brain-predicted age using a sample of monozygotic and dizygotic female twins (N = 62). Thirdly, we examined the test-retest and multi-centre reliability of brain-predicted age using two samples (within-scanner N = 20; between-scanner N = 11). CNN brain-predicted ages were generated and compared to a Gaussian Process Regression (GPR) approach, on all datasets. Input data were grey matter (GM) or white matter (WM) volumetric maps generated by Statistical Parametric Mapping (SPM) or raw data. Brain-predicted age represents an accurate, highly reliable and genetically-valid phenotype, that has potential to be used as a biomarker of brain ageing. Moreover, age predictions can be accurately generated on raw T1-MRI data, substantially reducing computation time for novel data, bringing the process closer to giving real-time information on brain health in clinical settings.

研究の動機と目的

• 神経画像データを用いた深層学習により、脳年齢予測値を脳老化の信頼できるバイオマーカーとして確立すること。
• 前処理の程度が異なるデータ（生のT1-MRIスキャンを含む）における脳年齢予測値の正確性と耐性を評価すること。
• ミス・ツインコhort（n=62、単卵性および二卵性の女性を含む）を用いて、脳年齢予測値の遺伝性を評価し、生物学的関連性を検証すること。
• 臨床現場におけるテスト・リテスト信頼性およびマルチセンター信頼性を評価すること。
• 生のMRIデータからの直接予測を可能にすることで計算負荷を軽減し、リアルタイム臨床応用に向けた進展を図ること。

提案手法

• T1強調MRIデータを用いて、3次元畳み込みニューラルネットワーク（CNN）を訓練し、被験者の履歴年齢を予測した。
• 前処理済みの組織セグメンテーションマップ（GM/WM）および生のMRIデータを用いたガウス過程回帰（GPR）と比較して性能を評価した。
• 予測精度を評価するために、2,001名の健常成人から成る大規模コhortにモデルを適用した。
• 同一スキャナからの繰り返しスキャン（n=20）を用いたテスト・リテスト信頼性と、異なるスキャナ間でのマルチセンター信頼性（n=11）を評価した。
• ミス・ツインコhort（n=62、単卵性および二卵性の女性を含む）を用いて、脳年齢予測値の遺伝性を推定した。
• グループおよびデータタイプごとの予測誤差（脳年齢予測値－履歴年齢）を比較する統計解析を実施した。

実験結果

リサーチクエスチョン

• RQ1 生のT1強調MRIデータから、広範な前処理を施さずに深層学習モデルが履歴年齢を正確に予測できるか？
• RQ2 繰り返しスキャンおよび異なるMRIスキャナ間で、脳年齢予測値はどれほど信頼性があるか？
• RQ3 脳年齢予測値は遺伝的要因を有するか、すなわち脳老化に遺伝的要因が関与しているか？
• RQ4 CNNベースの予測性能は、GPRのような従来の回帰手法と比べてどうか？
• RQ5 脳年齢予測値は、個々の脳老化の差異を評価する臨床的有用なバイオマーカーとして実用可能か？

主な発見

• CNNモデルは、健常成人コhortにおいて、生のT1-MRIデータから履歴年齢を予測する際、平均絶対誤差（MAE）が約4.5年を達成した。
• 脳年齢予測値は、同一スキャナからの繰り返しスキャンにおいて高いテスト・リテスト信頼性（組内相関係数 > 0.95）を示した。
• 異なるMRIスキャナ間でも、モデルは強い信頼性を維持し、マルチセンター試料において予測年齢と実際の年齢との相関係数が0.92であった。
• ミス・ツインコhortにおいて、脳年齢予測値は有意な遺伝性（h² ≈ 0.55）を示し、脳老化の表現型に強い遺伝的要因が関与していることを示した。
• 生のMRIデータと前処理済みの組織マップの両方で予測精度は同等であったが、生データ処理により計算時間は著しく短縮された。
• 予測誤差（脳年齢予測値と履歴年齢の差）は、フォローアップ解析において認知機能および疾患リスクと有意に関連していた。