[論文レビュー] Subtyping brain diseases from imaging data

Junhao Wen, Erdem Varol+6 more|arXiv (Cornell University)|Feb 16, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 4

ひとこと要約

本稿では、年齢・性別・スキャナのばらつきなどの混同要因を低減することを目的として、神経画像データから脳疾患の生物学的に意味のある亜タイプを同定するための半教師ありおよび教師なし機械学習クラスタリング手法を提案する。アルツハイマー病、精神病、うつ病、自閉症、脳腫瘍を対象とした解析で、画像ベースの亜タイプが明確な臨床的アウトカムおよび分子プロファイルと相関していることが示され、より正確な診断と個別化医療戦略の実現に貢献する。

ABSTRACT

The imaging community has increasingly adopted machine learning (ML) methods to provide individualized imaging signatures related to disease diagnosis, prognosis, and response to treatment. Clinical neuroscience and cancer imaging have been two areas in which ML has offered particular promise. However, many neurologic and neuropsychiatric diseases, as well as cancer, are often heterogeneous in terms of their clinical manifestations, neuroanatomical patterns or genetic underpinnings. Therefore, in such cases, seeking a single disease signature might be ineffectual in delivering individualized precision diagnostics. The current chapter focuses on ML methods, especially semi-supervised clustering, that seek disease subtypes using imaging data. Work from Alzheimer Disease and its prodromal stages, psychosis, depression, autism, and brain cancer are discussed. Our goal is to provide the readers with a broad overview in terms of methodology and clinical applications.

研究の動機と目的

• 神経疾患および神経精神疾患の臨床的・生物学的異質性に対処し、画像データを用いて明確な疾患亜タイプを同定すること。
• 脳発達および病理の個人差を無視する従来のケースコントロール研究の限界を克服すること。
• 一般的な変動ではなく、疾患特異的異質性に焦点を当てた半教師ありクラスタリング手法の開発および適用。
• 臨床的および遺伝的相関を通じた画像由来亜タイプの妥当性を検証し、統計的パターンを超えた生物学的妥当性を確保すること。
• 脳疾患における精密医療のための神経画像データへの機械学習の応用に向けた方法論的および臨床的フレームワークの提供。

提案手法

• 健康対照群（CN）をk個の患者亜タイプにマッピングする半教師ありクラスタリングを採用し、一般の変動ではなく病態特異的異質性に焦点を当てる。
• K-meansや階層的クラスタリングなどの教師なしクラスタリングを用い、高次元の神経画像特徴を考慮したもとで、患者間の画像類似性に基づいてグループ化を行う。
• 健康対照群をリファレンスとして用い、非病的要因に起因するばらつきによるバイアスを低減する。
• マルチパラメトリックMRI（mpMRI）からの画像特徴（ラジオミクス特徴）を活用し、脳腫瘍の形態、テクスチャ、微小血管構造、微小構造的性質を捉える。
• 疾患境界に関する事前の仮定なしに、データ駆動型かつ偏りのないアプローチにより、連続的進行を示す疾患（例：前臨床的から臨床的AD）においても亜タイプを同定する。
• 生存期間の差、遺伝的構造、臨床変数などの外部評価を通じて亜タイプの妥当性を検証し、生物学的妥当性を確認する。

実験結果

リサーチクエスチョン

• RQ1 半教師ありクラスタリング手法は、神経画像データを用いて、異質性の高い脳疾患において生物学的に関連する亜タイプを効果的に同定できるか？
• RQ2 アルツハイマー病、精神病、および脳腫瘍における画像由来亜タイプは、臨床的アウトカムおよび分子プロファイルとどの程度相関するか？
• RQ3 年齢、性別、スキャナの差異といった混同要因が、従来のクラスタリング手法にどの程度バイアスを及ぼすか、そしてそれらをどのように軽減できるか？
• RQ4 画像亜タイプは、脳腫瘍および神経変性疾患における遺伝的・分子的異質性の信頼できる代替指標として機能できるか？
• RQ5 同定された亜タイプの堅牢性および再現性を保証するためには、どのようなメソッド的セーフティーバリエーション（例：分割サンプル分析、パーミュテーション検定）が必要か？

主な発見

• 半教師ありクラスタリングは、アルツハイマー病において、海馬の保存や内側頭頭側索皮質の萎縮といった特異的病態パターンを示す亜タイプを明確に同定した。
• 膠芽腫（glioblastoma）においては、mpMRIからのラジオミクス特徴を用いた教師なしクラスタリングにより、3つの画像亜タイプ（実質的、不規則的、リム強化型）を同定し、それぞれ異なる生存確率および分子マーカーと関連した。
• 脳腫瘍における画像亜タイプは、イソシトレートデヒドロナーザス-1、O6-メチルガウニン-DNAメチルトランスフェラーゼ、および表皮成長因子受容体バリアントIIIといった特定の分子経路と有意に関連していた。
• 神経画像データから導かれた亜タイプは、トランスクリプトーム的分子亜タイプおよび臨床的アウトカムと関連しており、非侵襲的バイオマーカーとしての可能性を裏付けた。
• 臨床変数および遺伝的構造による外部妥当性評価を通じて、画像ベース亜タイプの生物学的妥当性が確認され、誤ったクラスタリングパターンの懸念が軽減された。
• 疾患特異性を向上させ、共存疾患や人口統計的ばらつきによるバイアスを低減するためには、縦断的データの活用および慎重なサンプル選択が不可欠である。