[논문 리뷰] Autism Spectrum Disorder Classification using Graph Kernels on Multidimensional Time Series

Rushil Anirudh, Jayaraman J. Thiagarajan외 2명|arXiv (Cornell University)|2016. 11. 29.

Functional Brain Connectivity Studies참고 문헌 18인용 수 6

한 줄 요약

이 논문은 다차원 fMRI 시간 시리즈를 활용하여 자폐성 장애(Spontaneous Autism Spectrum Disorder, ASD)의 중증도를 분류하기 위해 그래프 커널 기반 프레임워크를 제안한다. 이는 공간-시간 뇌 네트워크 역학을 활용한다. 상관관계, ℓ₁-노름 희소 코딩, 시간 지연 임베딩의 지속성 호모로지 기반으로 그래프를 구성하고, 커널 SVM에 그래프 커널을 적용함으로써, 두 개의 ABIDE 데이터셋에서 기존 커널보다 유의미하게 높은 분류 정확도를 달성한다.

ABSTRACT

We present an approach to model time series data from resting state fMRI for autism spectrum disorder (ASD) severity classification. We propose to adopt kernel machines and employ graph kernels that define a kernel dot product between two graphs. This enables us to take advantage of spatio-temporal information to capture the dynamics of the brain network, as opposed to aggregating them in the spatial or temporal dimension. In addition to the conventional similarity graphs, we explore the use of L1 graph using sparse coding, and the persistent homology of time delay embeddings, in the proposed pipeline for ASD classification. In our experiments on two datasets from the ABIDE collection, we demonstrate a consistent and significant advantage in using graph kernels over traditional linear or non linear kernels for a variety of time series features.

연구 동기 및 목표

• 공간-시간 뇌 네트워크 역학을 모델링하여 휴식 상태 fMRI 데이터를 활용한 ASD 중증도 분류를 향상시키기 위해.
• 언어 능력 및 발달 수준과 같은 환자 특성과 fMRI 촬영 방법의 다양성으로 인한 기존 모델의 낮은 일반화 성능 문제를 해결하기 위해.
• 다차원 시간 시리즈 데이터에서 복잡한 비선형 관계를 포착하는 데 있어 그래프 커널 방법의 효과성을 평가하기 위해.
• 상관관계, ℓ₁-그래프, 지속성 호모로지와 같은 다양한 그래프 구축 전략이 분류 성능에 미치는 영향을 비교하기 위해.
• 그래프 커널이 ASD 분류 과제에서 기존 선형 및 비선형 커널보다 뛰어나게 일관되게 성능을 발휘하는지 확인하기 위해.

제안 방법

• 시간 지연 임베딩의 상관관계, ℓ₁-노름(희소 코딩을 통한), 지속성 호모로지 기반으로 fMRI 시간 시리즈에서 유사도 그래프를 구성한다.
• 시간 지연 임베딩(TDE)을 τ=3과 m=2로 적용하여 각 시간 시리즈의 상태 공간을 재구성하고, 위상적 분석을 수행한다.
• 지속성 호모로지에서 Betti-1 수를 사용해 지속성 다이어그램을 생성하고, 이를 지속성 척도 공간 유사도로 비교한다.
• 결과로 얻은 유사도 행렬을 인접 행렬로 간주하고, 임계값을 적용하여 이진 그래프를 구성하여 커널 계산을 수행한다.
• 특히 지속성 다이어그램에 대한 가우시안 커널과 Reproducing Kernel Hilbert Space(RKHS) 내의 내적을 통해 정의된 그래프 커널을 활용하여, 환자 간의 유사도를 계산한다.
• 그래프 커널 특징를 사용하여 이류-하나 교차검증을 수행한 커널 SVM 분류기를 훈련하여, ASD 중증도 수준(경증, 중증, 중증)을 예측한다.

실험 결과

연구 질문

• RQ1 그래프 커널은 ASD 분류를 위한 fMRI 시간 시리즈의 공간-시간 역학을 효과적으로 포착할 수 있는가?
• RQ2 상관관계, ℓ₁-그래프, 지속성 호모로지와 같은 다양한 그래프 구축 방법 간의 예측 성능는 어떻게 비교되는가?
• RQ3 그래프 커널을 사용할 경우, 기존 선형 및 비선형 커널 대비 ASD 중증도 분류에서 유의미한 향상이 이루어지는가?
• RQ4 지속성 호모로지에서 유도된 위상적 특징은 기존의 표준 유사도 측정 지표를 초월해 분류 성능 향상에 얼마나 기여하는가?
• RQ5 다양한 fMRI 촬영 프로토콜을 가진 다양한 데이터셋에서 제안된 그래프 커널 접근법은 얼마나 강건한가?

주요 결과

• 상관관계 기반 그래프를 사용한 그래프 커널은 UCLA 데이터셋에서 55.17%의 분류 정확도를 기록했으며, 이는 기존 최고의 전통적 커널(RBF: 32.75%)보다 유의미하게 높았다.
• USM 데이터셋에서는 상관관계 기반 그래프를 사용한 그래프 커널이 42.85%의 정확도를 달성했으며, 이는 이어지는 최고의 전통적 커널(PCA: 42.85%)을 초월했고, 일관된 향상을 보였다.
• ℓ₁-그래프 기반 그래프 커널은 UCLA 데이터셋에서 50.00%의 정확도를 기록했으며, 이는 희소 코딩 기반 유사도 측정 지표를 사용할 때에도 뛰어난 성능을 보임을 시사한다.
• Betti-1 지속성 다이어그램을 그래프 구축 방법으로 사용한 결과, UCLA 데이터셋에서 48.27%의 정확도를 기록했으며, 이는 위상적 특징이 분류에 가치가 있음을 보여준다.
• ℓ₁-그래프와 지속성 다이어그램 특징을 조합한 합성 커널은 UCLA 데이터셋에서 46.55%의 정확도를 기록했으며, 다양한 그래프 유형을 조합함으로써 성능 향상을 이룰 수 있음을 보여준다.
• 두 데이터셋에서 그래프 커널은 모든 전통적 커널보다 일관되게 뛰어난 성능을 보였으며, 이는 복잡한 동적 뇌 네트워크 상호작용을 모델링하는 데서의 우수성을 확인한다.