[論文レビュー] Tensor Generalized Estimating Equations for Longitudinal Imaging Analysis

Xiang Zhang, Lexin Li+3 more|arXiv (Cornell University)|Dec 20, 2014

Tensor decomposition and applications参考文献 43被引用数 8

ひとこと要約

本稿では、縦断的神経画像解析のためのテンソル一般化推定方程式（GEE）を提案し、高次元の画像予測子を処理しつつ被験者内相関を考慮するため、低ランクテンソル分解を統合している。この手法によりアルツハイマー病の進行における臨床的アウトカム（MMSEスコアなど）の正確な予測と効果的な領域選択が可能となり、ADNIデータを用いたAR(1)のワーキング相関構造とL1正則化を用いることで、RMSE 2.270および相関係数0.747を達成した。

ABSTRACT

In an increasing number of neuroimaging studies, brain images, which are in the form of multidimensional arrays (tensors), have been collected on multiple subjects at multiple time points. Of scientific interest is to analyze such massive and complex longitudinal images to diagnose neurodegenerative disorders and to identify disease relevant brain regions. In this article, we treat those problems in a unifying regression framework with image predictors, and propose tensor generalized estimating equations (GEE) for longitudinal imaging analysis. The GEE approach takes into account intra-subject correlation of responses, whereas a low rank tensor decomposition of the coefficient array enables effective estimation and prediction with limited sample size. We propose an efficient estimation algorithm, study the asymptotics in both fixed $p$ and diverging $p$ regimes, and also investigate tensor GEE with regularization that is particularly useful for region selection. The efficacy of the proposed tensor GEE is demonstrated on both simulated data and a real data set from the Alzheimer's Disease Neuroimaging Initiative (ADNI).

研究の動機と目的

• 複数被験者から縦断的に収集された高次元で多次元的な脳画像データを分析する課題に対処すること。
• 時間的ポイント間の被験者内相関を考慮しつつ、画像予測子をテンソルとしてモデル化する統一された回帰フレームワークの構築。
• 限られたサンプルサイズ下でも、係数配列の低ランクテンソル分解を用いて効果的な推定と予測を可能にする。
• テンソルGEEフレームワークに正則化を統合することで神経変性疾患における領域選択を促進すること。
• アルツハイマー病神経画像行動研究（ADNI）の実世界データを用いて、本手法の有効性を実証すること。

提案手法

• 被験者内相関をワーキング相関行列を用いて考慮するテンソル値予測子を組み込んだ一般化推定方程式（GEE）フレームワークを構築する。
• 係数テンソルの次元削減と限られたサンプルサイズ下での推定効率の向上のため、低ランクTucker分解を適用する。
• 固定および発散するpの両状況下でパラメータ推定を実行する、効率的な交替方向乗数法（ADMM）に基づくアルゴリズムを開発する。
• スparserな推定と疾患関連脳領域の同定を可能にするために、テンソルGEEにL1正則化を統合する。
• 係数テンソルとワーキング相関構造の更新を交互に繰り返す反復的推定手順を用いる。
• 適切なリンク関数を用いることで、連続的および離散的アウトカムの両方を扱えるように推定フレームワークを拡張する。

実験結果

リサーチクエスチョン

• RQ1 AR(1)のワーキング相関構造を用いることで、縦断的MRI画像とMMSEスコアなどの臨床的アウトカムとの関連を、被験者内相関を考慮してテンソルGEEが効果的にモデル化できるか。
• RQ2 限られたサンプルサイズ下での高次元画像回帰において、低ランクテンソル分解が推定効率と予測精度をどのように向上させるか。
• RQ3 テンソルGEEにおける正則化が、アルツハイマー病の進行に関連する生物学的に意味のある脳領域をどの程度正確に同定できるか。
• RQ4 ワーキング相関構造の選択（例：AR(1)、等相関）が縦断的画像解析における予測性能にどのように影響するか。
• RQ5 本手法は、ベースライン画像データやベクトル化された画像特徴のみを用いる従来の手法に比べ、将来の認知機能低下を予測する上で優れているか。

主な発見

• 提案されたテンソルGEEは、ベースラインから18か月までのデータを用い、AR(1)のワーキング相関構造とL1正則化を適用した結果、24か月後のMMSEスコア予測においてRMSE 2.270および相関係数0.747を達成した。
• 予測性能が最も高かったのはAR(1)のワーキング相関構造とL1正則化を組み合わせた場合であり、独立性構造や等相関構造よりも優れていた。
• Lasso正則化付きテンソルGEEは、海馬、大脳皮質、側頭葉、頭頂葉、前頭葉といった疾患関連脳領域を的確に同定した。これは既知のAD病態と整合的であった。
• 同定された領域は、AD進行の既知の段階と一致しており、初期には海馬の萎縮が検出され、後期には言語、運動、感覚領域が関与する。
• 本手法は実ADNIデータにおいても頑健な性能を示し、追加の臨床的共変量を用いず、T1強調MRIのみを用いたにもかかわらず、先行するマルチモodal手法と同等の予測精度を達成した。
• アルゴリズムはデータサイズに応じて良好にスケーリングされ、標準的な統計ソフトウェアを用いて実装可能であり、神経画像研究における実用的応用を支援する。