[論文レビュー] Surreal-GAN:Semi-Supervised Representation Learning via GAN for uncovering heterogeneous disease-related imaging patterns

Zhijian Yang, Junhao Wen+1 more|ArXiv.org|May 9, 2022

Machine Learning in Healthcare被引用数 6

ひとこと要約

Surreal-GAN は、健康な脳MRIデータを潜在変数を介して患者に類似する画像に変換することで、疾患関連画像パターンの連続的で低次元の表現（R-indices）を学習する半教師ありGANベースの手法である。疾患の異質性を離散的サブタイプではなく連続的スペクトルとしてモデル化し、アルツハイマー病において高い解釈可能性と性能を達成しており、R-indicesは臨床バイオマーカーおよび認知機能低下と強く相関している。

ABSTRACT

A plethora of machine learning methods have been applied to imaging data, enabling the construction of clinically relevant imaging signatures of neurological and neuropsychiatric diseases. Oftentimes, such methods don't explicitly model the heterogeneity of disease effects, or approach it via nonlinear models that are not interpretable. Moreover, unsupervised methods may parse heterogeneity that is driven by nuisance confounding factors that affect brain structure or function, rather than heterogeneity relevant to a pathology of interest. On the other hand, semi-supervised clustering methods seek to derive a dichotomous subtype membership, ignoring the truth that disease heterogeneity spatially and temporally extends along a continuum. To address the aforementioned limitations, herein, we propose a novel method, termed Surreal-GAN (Semi-SUpeRvised ReprEsentAtion Learning via GAN). Using cross-sectional imaging data, Surreal-GAN dissects underlying disease-related heterogeneity under the principle of semi-supervised clustering (cluster mappings from normal control to patient), proposes a continuously dimensional representation, and infers the disease severity of patients at individual level along each dimension. The model first learns a transformation function from normal control (CN) domain to the patient (PT) domain with latent variables controlling transformation directions. An inverse mapping function together with regularization on function continuity, pattern orthogonality and monotonicity was also imposed to make sure that the transformation function captures necessarily meaningful imaging patterns with clinical significance. We first validated the model through extensive semi-synthetic experiments, and then demonstrate its potential in capturing biologically plausible imaging patterns in Alzheimer's disease (AD).

研究の動機と目的

• 既存の半教師ありクラスタリング手法が疾患の異質性を離散的サブタイプとして扱うという限界を是正すること。
• 健常対照群を基準として用いることで、病態特異的変化をより正確に分離可能な疾患関連画像パターンをモデル化すること。
• 敵対的学習と逆写像を用いて、複数の画像パターンにわたる疾患重症度の連続的で単調的かつ直交的な表現を学習すること。
• 学習されたR-indicesを既知のバイオマーカーおよびアルツハイマー病における認知尺度と結びつけることで、解釈可能性と臨床的関連性を向上させること。

提案手法

• Surreal-GAN は、条件付きGANを用いて正常対照（CN）から患者（PT）のMRIデータへの変換関数を学習し、変換方向を制御する連続的潜在変数を備える。
• 合成されたパターンが正確に回復可能であり、R-indices の推定に使用できるようにするため、分解と再構成を組み合わせた逆写像関数を導入する。
• 関数の連続性、パターンの直交性、R-indices の単調性を強制する正則化項を導入し、臨床的に意味のある、重複のない、重症度順の表現を保証する。
• 二重サンプリング手順と単調性損失により、R-indices の値が増加するにつれて各パターンに沿って疾患重症度が増加することを保証する。
• スパarsity制約と逆写像の一貫性制約により、モデルが意味のある、アーチファクトでないパターンを学習するようさらに誘導する。
• 生成されたPTデータが実際のPTデータの分布と一致するように、敵対的損失、再構成損失、および複数の正則化項を用いて、エンドツーエンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 半教師ありGANフレームワークは、離散的サブタイプに強制するのではなく、MRIデータから連続的で解釈可能かつ臨床的に関連性のある疾患異質性の画像パターンを学習できるか？
• RQ2 空間的に異なる複数の疾患パターンを、各次元に沿った疾患重症度の単調性を保ちながら、どれほど正確に分離できるか？
• RQ3 学習されたR-indicesは、アルツハイマー病において、CSF-Aβ、CSF-Tau、APOE-E4状態といった確立された臨床バイオマーカーとどの程度相関するか？
• RQ4 離散的クラスタリングや非基準ベースのアプローチに比べて、Surreal-GAN は微細で広範な萎縮パターンをどれほど正確に捉えられるか？

主な発見

• 半合成データでは、Surreal-GAN は真のパターンと重症度の回復に高い正確性を示したが、極端な状況（例：軽度萎縮 0–20% の体積減少、病変領域が疎らな場合）では性能が低下した。
• ADNI アルツハイマー病データセットでは、2つの生物学的に妥当なパターンが明確に同定された：広範な皮質萎縮（r₁ と相関）と内側側頭葉萎縮（r₂ と相関）、両者とも視覚的および統計的に妥当性が確認された。
• 2つのR-indices は、139個の手動で定義されたROIと同等の診断性能を達成し、次元数を極限まで減らしながらも強力な識別力を持つことを示した。
• r₁ は白質病変体積、高血圧、実行機能障害、言語障害と強く相関したが、r₂ はCSF-Tau、pTau、APOE-E4状態とより強く関連しており、生物学的関連性が異なることが示された。
• R-indices の単調性と連続性のおかげで、臨床変数との信頼性の高い相関分析が可能となり、縦断的および予後予測モデリングにおける実用性が確認された。
• Surreal-GAN は、5つの合成データセットにおいて5つのベースライン手法を著しく上回り、CNデータを基準として活用することで、混同要因の影響を回避する優れた能力を示した。