[논문 리뷰] A Review on Image- and Network-based Brain Data Analysis Techniques for Alzheimer's Disease Diagnosis Reveals a Gap in Developing Predictive Methods for Prognosis

Mayssa Soussia, Islem Rekik|arXiv (Cornell University)|2018. 08. 06.

Dementia and Cognitive Impairment Research참고 문헌 30인용 수 3

한 줄 요약

이 리뷰는 2010–2016년도 MICCAI 논문들을 대상으로 알츠하이머병(AD) 진단을 위한 영상 및 네트워크 기반 뇌 데이터 기법을 분석하며, MCI 진행에 대한 예측 모델의 심각한 격차를 드러낸다. 분류 기법은 AD, MCI, 정상 대조군을 구분하는 데 있어 높은 정확도(최대 96.7%)를 보였지만, 장기적인 MCI 결과—예를 들어 AD로의 전환, 안정성, 또는 회복—를 예측하는 모델은 극히 소수에 그쳐 조기 예후에 있어 중대한 해결이 필요한 문제임을 시사한다.

ABSTRACT

Unveiling pathological brain changes associated with Alzheimer's disease (AD) is a challenging task especially that people do not show symptoms of dementia until it is late. Over the past years, neuroimaging techniques paved the way for computer-based diagnosis and prognosis to facilitate the automation of medical decision support and help clinicians identify cognitively intact subjects that are at high-risk of developing AD. As a progressive neurodegenerative disorder, researchers investigated how AD affects the brain using different approaches: 1) image-based methods where mainly neuroimaging modalities are used to provide early AD biomarkers, and 2) network-based methods which focus on functional and structural brain connectivities to give insights into how AD alters brain wiring. In this study, we reviewed neuroimaging-based technical methods developed for AD and mild-cognitive impairment (MCI) classification and prediction tasks, selected by screening all MICCAI proceedings published between 2010 and 2016. We included papers that fit into image-based or network-based categories. The majority of papers focused on classifying MCI vs. AD brain states, which has enabled the discovery of discriminative or altered brain regions and connections. However, very few works aimed to predict MCI progression based on early neuroimaging-based observations. Despite the high importance of reliably identifying which early MCI patient will convert to AD, remain stable or reverse to normal over months/years, predictive models are still lagging behind.

연구 동기 및 목표

• MICCAI 2010–2016 논문들을 활용하여 영상 및 네트워크 기반 뇌 데이터 분석 기법의 최신 기술 수준을 평가한다.
• 현재 방법의 한계, 특히 MCI가 AD로의 진행, 안정성 또는 역전으로 이어지는 예측 모델의 부재를 규명한다.
• 형태학적 뇌 네트워크와 형태 기반 분석이 조기 진단 잠재력을 지닌 바에도 불구하고 예측 프레임워크에서 부족하게 활용되고 있음을 부각한다.
• dementia 연구의 예후에 있어 재현 가능하고 일반화 가능한, 공개된 기계학습 방법의 필요성을 강조한다.
• 고급 네트워크 및 형태 분석을 기계학습과 통합하여 MCI 결과의 장기적 예측을 향상시키기 위한 필요성을 주장한다.

제안 방법

• AD, MCI, 신경영상, 네트워크, 분류, 예측 등의 关련 키워드를 활용해 MICCAI 2010–2016 논문 중 28편을 체계적으로 선별한 리뷰.
• 영상 기반 방법(구조적, 기능적, 확산 MRI 사용)과 네트워크 기반 방법(기능적 및 구조적 뇌 연결성에 중점)으로 연구를 분류.
• NC 대비 AD, NC 대비 MCI, cMCI 대비 sMCI 작업에서 정확도, AUC, F1-스코어 등의 지표를 활용해 분류 성능 평가.
• 기본 MRI를 기반으로 한 MCI 전환 예측 모델 분석을 수행하며, 12개월 및 18개월 추적 평가를 실시.
• 결여된 방법론적 요소 규명: 형태학적 뇌 네트워크 부재 및 MCI 진행의 전체 궤적을 예측하는 모델 부족.
• 연구 간 결과 비교를 통해 데이터셋, 기준선, 평가 프로토콜의 다름으로 인한 일관성 부족 문제 기록.

실험 결과

연구 질문

• RQ1 2010~2016년도 신경영상 연구에서 알츠하이머병 및 MCI 분류에 주로 사용된 영상 및 네트워크 기반 방법의 주요 유형은 무엇인가?
• RQ2 현재 방법은 시간이 지남에 따라 MCI가 AD로의 진행, 안정성 또는 역전을 예측하는 데 얼마나 효과적인가?
• RQ3 높은 성능의 분류 기법이 존재하는 바에도 불구하고 MCI 결과에 대한 예측 모델이 부족한 이유는 무엇인가?
• RQ4 피질 두께 및 뇌 형태 변화와 같은 형태학적 특징이 기존 예측 프레임워크에서 얼마나 활용되고 있는가?
• RQ5 현재 알츠하이머병 예후를 위한 뇌 데이터 분석 방법에서 재현 가능성과 일반화 가능성의 주요 장애 요인은 무엇인가?

주요 결과

• 대부분의 리뷰된 연구는 분류 작업에 집중하였으며, 영상 기반 방법은 cMCI와 sMCI를 구분하는 데 최대 96.7%의 정확도를 달성하였다.
• 네트워크 기반 방법은 NC/MCI 분류에서 높은 성능을 보였으며, 정확도가 96.59%에 이르렀지만, 예후에 대한 활용은 부족했다.
• 단지 세 연구—[33], [34], [32]—만이 MCI 전환에 대한 예측 모델을 보고하였으며, 전환 전 18개월 시점에서 정확도 76.53%, 12개월 시점에서 79.83%를 기록하였다.
• 알츠하이머병에서 피질 두께가 변화하는 것으로 입증된 바에도 불구하고, 리뷰된 연구 중 어떤 연구도 형태학적 뇌 네트워크를 예측에 활용하지 않았다.
• MCI 진행, 안정성 또는 정상 상태로의 역전 과정 동안 뇌 형태 변화의 전체 궤적을 예측하는 방법은 발견되지 않았다.
• 공개된 모델 부재 및 평가 프로토콜의 이질성으로 인해 다양한 데이터셋 간 재현 가능성과 일반화 가능성에 장애가 존재한다.