[논문 리뷰] A review of heterogeneous data mining for brain disorders

Bokai Cao, Xiangnan Kong외 1명|arXiv (Cornell University)|2015. 08. 05.

Functional Brain Connectivity Studies참고 문헌 76인용 수 3

한 줄 요약

이 논문은 fMRI, DTI, PET와 같은 다양한 모odalities에서 유도된 고차원적이고 구조화된 데이터를 분석하기 위한 고도화된 데이터 마이닝 기법을 종합적으로 검토한다. 주로 텐서 기반 신경영상 데이터, 뇌 연결망, 다중 시각 임상 특징에 초점을 맞추며, 텐서 분해, 부분그래프 패턴 마이닝, 다중 시각 특징 선택 기법을 활용해 fMRI, DTI, PET 등의 다양한 모달리티에서 유도된 고차원적이고 구조화된 데이터를 통합적으로 마이닝함으로써 알츠하이머병 및 파킨슨병과 같은 질환의 조기 진단과 기전 이해를 향상시키는 데 기여한다.

ABSTRACT

With rapid advances in neuroimaging techniques, the research on brain disorder identification has become an emerging area in the data mining community. Brain disorder data poses many unique challenges for data mining research. For example, the raw data generated by neuroimaging experiments is in tensor representations, with typical characteristics of high dimensionality, structural complexity and nonlinear separability. Furthermore, brain connectivity networks can be constructed from the tensor data, embedding subtle interactions between brain regions. Other clinical measures are usually available reflecting the disease status from different perspectives. It is expected that integrating complementary information in the tensor data and the brain network data, and incorporating other clinical parameters will be potentially transformative for investigating disease mechanisms and for informing therapeutic interventions. Many research efforts have been devoted to this area. They have achieved great success in various applications, such as tensor-based modeling, subgraph pattern mining, multi-view feature analysis. In this paper, we review some recent data mining methods that are used for analyzing brain disorders.

연구 동기 및 목표

• fMRI, DTI, PET와 같은 다양한 모달리티에서 유도된 고차원적이고 구조화된 신경영상 데이터 분석의 과제를 다루기.
• 텐서, 뇌 네트워크, 임상 벡터와 같은 이질적 데이터 표현을 통합하여 질병 탐지 및 기전적 통찰력을 향상시키기.
• 전통적인 벡터 기반 데이터 마이닝의 한계를 극복하기 위해 텐서 및 그래프 구조화된 데이터에 특화된 기법을 개발하여 뇌질환 연구에 응용하기.
• 다양한 모달리티와 상호보완적인 데이터 소스를 활용하여 신경퇴행성 및 정신질환의 조기 진단을 가능하게 하기.
• 텐서 분석, 네트워크 마이닝, 다중 시각 학습을 통합하는 유일한 프레임워크를 통해 뇌질환에 대한 데이터 마이닝 기법을 발전시키기.

제안 방법

• 다중 모달리티 신경영상 데이터(예: fMRI)를 저랭크 성분으로 분해하기 위해 텐서 분해 기법을 적용하여 차원 감소 및 특징 추출하기.
• 영역 관심 지점(ROI) 파편화와 상관 기반 또는 부분상관 기반 그래프 모델링을 사용하여 텐서 데이터에서 뇌 연결망을 구축하기.
• 특정 질환과 관련된 반복적이고 생물학적으로 의미 있는 부분망을 식별하기 위해 부분그래프 패턴 마이닝 기법을 활용하기.
• 임상 및 영상 시각에서의 특징 유의성과 분류기 성능을 동시에 최적화하는 워퍼 모델을 사용하여 다중 시각 특징 선택 구현하기.
• 원래 특징과 재구성된 텐서 곱 특징 간의 관계를 활용하여 다중 시각 환경에서의 특징 선택 성능을 향상시키는 이중 방법을 적용하기.
• 고차원 특징 상호작용을 통합하고 분류 또는 회귀 작업을 지원하기 위해 재귀적 특징 제거를 통합한 다중 시각 SVM 수식 설정하기.

실험 결과

연구 질문

• RQ1 어떻게 텐서 기반 데이터 마이닝 기법이 fMRI 및 DTI와 같은 고차원적이고 다중 모달리티 신경영상 데이터를 효과적으로 모델링할 수 있는가?
• RQ2 특정 뇌질환과 관련된 가장 정보적인 부분그래프 패턴은 무엇인가?
• RQ3 다중 시각 특징 선택 기법은 이질적인 임상 및 영상 특징을 어떻게 통합하여 진단 정확도를 향상시킬 수 있는가?
• RQ4 뇌질환 연구를 위한 통합된 데이터 마이닝 프레임워크에서 텐서, 그래프, 벡터 표현을 결합할 때의 과제와 기회는 무엇인가?
• RQ5 생물정보학에서의 이질적 정보 네트워크는 뇌질환과 관련된 유전자-질병 및 약물-표적 연관성을 어떻게 활용할 수 있는가?

주요 결과

• 텐서 분해 기법은 fMRI 및 DTI와 같은 복잡한 다차원 신경영상 데이터에서 효과적인 차원 감소 및 잠재적 특징 추출을 가능하게 한다.
• 부분그래프 패턴 마이닝 기법은 뇌질환과 관련된 반복적이고 생물학적으로 의미 있는 네트워크 모티프를 효과적으로 식별한다.
• 특징 유의성과 분류기 성능을 동시에 최적화하는 다중 시각 특징 선택 기법은 단일 시각 접근법에 비해 진단 정확도를 크게 향상시킨다.
• 다양한 모달리티의 신경영상 데이터(예: 구조적 MRI, fMRI, PET) 통합은 더 풍부한 의미를 지닌 질환 관련 패턴 탐지 능력을 향상시킨다.
• 원래 특징과 텐서 곱 특징 간의 관계를 활용하는 이중 다중 시각 특징 선택 방법은 모델의 해석 가능성과 성능을 모두 향상시킨다.
• 생물정보학에서의 이질적 정보 네트워크는 새로운 유전자-질병 연관성과 약물-표적 관계를 밝혀내어 뇌질환 기전과 치료 타겟에 대한 새로운 통찰을 제공한다.