[論文レビュー] Scalable Multi-Task Gaussian Process Tensor Regression for Normative Modeling of Structured Variation in Neuroimaging Data

Seyed Mostafa Kia, Christian F. Beckmann+1 more|arXiv (Cornell University)|Jul 31, 2018

Tensor decomposition and applications参考文献 31被引用数 8

ひとこと要約

本論文は、神経画像データにおける構造的で多方向の変動をモデル化するため、テンソルガウス過程予測プロセス（TGPP）フレームワーク内にスケーラブルなマルチタスクガウス過程テンソル回帰（sMT-GPTR）を提案する。クリロネッカー代数と低ランクテンソル因子分解を活用することで、全脳で高次元なfMRIデータを効率的に処理し、マス・ユニバリエートおよび教師ありベースラインと比較して、ノーマルモデリングにおける外れ値検出性能を顕著に向上させる。

ABSTRACT

Most brain disorders are very heterogeneous in terms of their underlying biology and developing analysis methods to model such heterogeneity is a major challenge. A promising approach is to use probabilistic regression methods to estimate normative models of brain function using (f)MRI data then use these to map variation across individuals in clinical populations (e.g., via anomaly detection). To fully capture individual differences, it is crucial to statistically model the patterns of correlation across different brain regions and individuals. However, this is very challenging for neuroimaging data because of high-dimensionality and highly structured patterns of correlation across multiple axes. Here, we propose a general and flexible multi-task learning framework to address this problem. Our model uses a tensor-variate Gaussian process in a Bayesian mixed-effects model and makes use of Kronecker algebra and a low-rank approximation to scale efficiently to multi-way neuroimaging data at the whole brain level. On a publicly available clinical fMRI dataset, we show that our computationally affordable approach substantially improves detection sensitivity over both a mass-univariate normative model and a classifier that --unlike our approach-- has full access to the clinical labels.

研究の動機と目的

• 個々の被験者、脳領域、認知システムの間で相関する高次元で多方向の変動を神経画像データにモデル化する課題に対処すること。
• 空間的・時間的・被験者レベルの複雑な相関を捉える、多次元的ノーマルモデリングの計算スケーラビリティを高めた手法を開発すること。
• ノーマル脳変動から逸脱する個体の正確で、不確実性を伴う検出を可能にし、精神医学分野における正確医療を支援すること。
• 既存のマルチタスクGP手法をD次元のテンソル構造データに一般化し、スケーラビリティとモデリングの柔軟性を向上させること。

提案手法

• ランダム効果とノイズにテンソル変量正規分布を仮定するテンソルガウス過程予測プロセス（TGPP）フレームワークを提案し、空間・時間・被験者などの複数のデータ軸にわたる統合的モデリングを可能にする。
• クリロネッカー積構造を用いて、ランダム効果とノイズの構造的共分散行列を同時に学習するマルチタスクガウス過程テンソル回帰（MT-GPTR）を構築する。
• 高次元タスク共分散行列の近似に、低ランクテンソル因子分解（例：Tucker分解）を適用し、時間的・空間的複雑度を低減する。
• クリロネッカー積の代数的性質を活用して、効率的な行列逆行列計算と周辺尤度の計算を実現し、数10万個の脳領域にまでスケーリング可能にする。
• ベイジアン混合効果モデルのアプローチを採用し、一貫性のある不確実性評価を伴う予測分布を推定し、新奇性検出に適したものとする。
• テンソルの各次元に沿った分離可能な共分散構造を活用することで、完全な共分散行列の逆行列計算を回避するスケーラブルな推論手順を実装する。

実験結果

リサーチクエスチョン

• RQ1 ベイジアン多次元的ノーマルモデリングフレームワークは、高次元神経画像データにおける構造的で多方向の相関を効果的に捉えることができるか？
• RQ2 マルチタスクガウス過程回帰は、統計的厳密性と不確実性評価を保持しつつ、全脳fMRIデータにスケーリング可能か？
• RQ3 空間的・被験者・タスクレベルの相関を統合的にモデリングすることで、一元的または教師ありアプローチと比較して、異常な脳変動を示す個体の検出性能が向上するか？
• RQ4 テンソル変量事前分布と低ランク近似を用いることで、計算複雑度は著しく低下するが、予測精度に影響を及ぼさない程度までなのか？

主な発見

• 提案されたsMT-GPTR手法は、臨床的fMRIデータセットにおける新奇性検出シナリオにおいて、マス・ユニバリエートノーマルモデルおよび市販の教師ありベースラインと比較して、検出率において顕著な向上を示した。
• タスク共分散行列に低ランクテンソル因子分解を適用することで、時間的・空間的複雑度がそれぞれO(T³)およびO(T²)からO(T²)およびO(T)に削減された。
• TGPPフレームワークにより、空間・時間・被験者などの複数の軸にわたる構造的ランダム効果とノイズの統合的モデリングが、整合的なベイジアン手法で可能となった。
• 予測における不確実性評価がサポートされており、これが臨床意思決定や生物学的に意味のある逸脱の同定に不可欠である。
• 全脳fMRIデータにまでスケーラブルであることが実証され、数10万個の空間的位置を含む大規模なノーマルモデリングが現実可能となった。
• GP-Kronsumなどの先行手法を拡張し、多次元テンソル構造データに一般化し、細粒度のクリロネッカー分解によりより効率的な計算を可能にした。