[논문 리뷰] A Hierarchical Dirichlet Process Model with Multiple Levels of Clustering for Human EEG Seizure Modeling

Drausin Wulsin, Shane T. Jensen외 1명|arXiv (Cornell University)|2012. 06. 18.

Bayesian Methods and Mixture Models참고 문헌 8인용 수 11

한 줄 요약

이 논문은 뇌척수 전기생리학(iEEG) 데이터의 채널, 간질 발작 유형, 환자 유형을 동시에 클러스터링할 수 있는 새로운 다중 수준 클러스터링 모델인 다중 수준 클러스터링 계층 디리ش레트 프로세스(MLC-HDP)를 제안한다. 이 모델은 다중 채널 간질 발작 기록에서 계층적 구조를 효과적으로 포착하며, 전문의 그룹의 클러스터링 성능에 근접한 성능을 달성하여 간질 연구 분야에서 환자 내 및 환자 간 동시 발작 클러스터링이 가능한 최초의 방법으로서의 의의를 지닌다.

ABSTRACT

Driven by the multi-level structure of human intracranial electroencephalogram (iEEG) recordings of epileptic seizures, we introduce a new variant of a hierarchical Dirichlet Process---the multi-level clustering hierarchical Dirichlet Process (MLC-HDP)---that simultaneously clusters datasets on multiple levels. Our seizure dataset contains brain activity recorded in typically more than a hundred individual channels for each seizure of each patient. The MLC-HDP model clusters over channels-types, seizure-types, and patient-types simultaneously. We describe this model and its implementation in detail. We also present the results of a simulation study comparing the MLC-HDP to a similar model, the Nested Dirichlet Process and finally demonstrate the MLC-HDP's use in modeling seizures across multiple patients. We find the MLC-HDP's clustering to be comparable to independent human physician clusterings. To our knowledge, the MLC-HDP model is the first in the epilepsy literature capable of clustering seizures within and between patients.

연구 동기 및 목표

• 인간 뇌척수 전기생리학(iEEG) 기록에서 간질 발작 기간 동안 복잡한 다중 수준 구조를 모델링하는 데 도전하는 것.
• 채널, 발작 유형, 환자 유형이라는 다중 계층적 수준에서 동시에 데이터를 클러스터링할 수 있는 통계 모델을 개발하는 것.
• 사전에 클러스터 수를 지정하지 않고도 진짜 클러스터 수에 적응할 수 있는 유연한 비모수 베이지안 모델을 만드는 것.
• 환자 내 및 환자 간의 발작을 동시에 분석함으로써 발작의 특성화 및 분류를 향상시키는 것.

제안 방법

• 표준 계층 디리슈레트 프로세스(HDP)를 다중 수준 클러스터링으로 확장한 비모수 베이지안 모델인 다중 수준 클러스터링 계층 디리슈레트 프로세스(MLC-HDP)를 제안한다.
• 각 환자의 발작을 발작 유형 수준에서 클러스터링하고, 모든 환자 간에 환자 수준의 클러스터링을 수행함으로써 iEEG 데이터를 계층적 구조로 모델링한다.
• 각 수준에서 알려지지 않은 수의 클러스터(가능한 무한 수)를 허용하기 위해 중첩된 스틱 브레이킹 과정을 사용하여 클러스터 수에 대한 사전 가정 없이도 민감한 클러스터링을 가능하게 한다.
• 환자 및 발작 간의 공동 클러스터링을 나타내기 위해 차이니즈 레스토랑 프랜차이즈(CRF) 은유를 사용하며, 각 발작 내에서 채널을 하위 클러스터로 간주한다.
• 후행 추론을 위해 게비스 샘플링 알고리즘을 구현하여 클러스터 할당 및 모델 파라미터를 효율적으로 계산한다.
• 모의 실험을 통해 MLC-HDP를 내장된 디리슈레트 프로세스(NDP)와 비교하여 검증하였으며, 진짜 클러스터 구조를 회복하는 데서 더 뛰어난 성능을 보였다.

실험 결과

연구 질문

• RQ1 비모수 베이지안 모델이 다중 채널 iEEG 기록에서 내재된 다중 수준 클러스터링 구조를 효과적으로 포착할 수 있는가?
• RQ2 모의 데이터에서 MLC-HDP 모델은 내장된 디리슈레트 프로세스(NDP)에 비해 진짜 클러스터 구조를 얼마나 잘 복원하는가?
• RQ3 MLC-HDP 모델이 실제 iEEG 데이터를 클러스터링할 때 전문의의 발작 유형 분류와 얼마나 일치하는가?
• RQ4 사전에 클러스터 수를 지정하지 않고도 MLC-HDP 모델이 채널, 발작 유형, 환자 수준에서 동시에 클러스터링을 수행할 수 있는가?
• RQ5 비모수적이고 데이터 기반 방식으로 모델이 환자 간에 일반화되어 공통된 발작 패턴을 식별할 수 있는가?

주요 결과

• MLC-HDP 모델은 독립된 전문의의 클러스터링 결과와 유사한 성능을 보이며, 임상적 관련성과 해석 가능성의 타당성을 입증하였다.
• 모의 실험에서 MLC-HDP는 복잡한 다중 수준 데이터 구성에서 진짜 클러스터 구조를 복원하는 데 내장된 디리슈레트 프로세스(NDP)를 뛰어넘는 성능을 보였다.
• 모델은 다수의 환자에 걸쳐 의미 있는 발작 클러스터를 성공적으로 식별하여 단일 수준 분석에서는 드러나지 않았던 iEEG 활동의 공통 패턴을 드러냈다.
• MLC-HDP는 각 수준에서 클러스터 수를 사전에 알 수 없더라도 데이터 구조에 적응하여 수동 조정이나 사전 지정 없이도 효과적으로 작동하였다.
• 모델의 계층적 구조는 환자별 및 환자 간 발작 패턴을 견고하게 식별할 수 있게 하여 개인 맞춤형 및 인구 수준의 발작 분석 잠재력을 향상시켰다.
• 게비스 샘플링을 통한 구현으로 후행 추론이 효율적으로 이루어져 대규모 iEEG 데이터셋에 대한 실용적 응용이 가능해졌다.