[논문 리뷰] Biomarker Investigation using Multiple Brain Measures from MRI through XAI in Alzheimer's Disease Classification

Davide Coluzzi, Valentina Bordin외 5명|arXiv (Cornell University)|2023. 05. 03.

Functional Brain Connectivity Studies인용 수 4

한 줄 요약

이 연구는 알츠하이머병에서 생물학적 표지자를 규명하기 위해 구조적 MRI에 적합한 ResNet18과 뇌 연결성 행렬에 적합한 BC-GCN-SE라는 두 가지 딥러닝 모델을 제안하며, Grad-CAM을 통한 설명 가능한 인공지능(XAI)을 활용한다. 두 모델 모두 임상적으로 중요한 뇌 영역, 즉 내측 측두엽과 기본 상태 네트워크에 주의를 집중시키며, 각각 중앙값 진단 양성률(TPR)이 0.817과 0.703을 기록하여 모델의 해석 가능성과 임상적 신뢰도를 향상시킨다.

ABSTRACT

Alzheimer's Disease (AD) is the world leading cause of dementia, a progressively impairing condition leading to high hospitalization rates and mortality. To optimize the diagnostic process, numerous efforts have been directed towards the development of deep learning approaches (DL) for the automatic AD classification. However, their typical black box outline has led to low trust and scarce usage within clinical frameworks. In this work, we propose two state-of-the art DL models, trained respectively on structural MRI (ResNet18) and brain connectivity matrixes (BC-GCN-SE) derived from diffusion data. The models were initially evaluated in terms of classification accuracy. Then, results were analyzed using an Explainable Artificial Intelligence (XAI) approach (Grad-CAM) to measure the level of interpretability of both models. The XAI assessment was conducted across 132 brain parcels, extracted from a combination of the Harvard-Oxford and AAL brain atlases, and compared to well-known pathological regions to measure adherence to domain knowledge. Results highlighted acceptable classification performance as compared to the existing literature (ResNet18: TPRmedian = 0.817, TNRmedian = 0.816; BC-GCN-SE: TPRmedian = 0.703, TNRmedian = 0.738). As evaluated through a statistical test (p < 0.05) and ranking of the most relevant parcels (first 15%), Grad-CAM revealed the involvement of target brain areas for both the ResNet18 and BC-GCN-SE models: the medial temporal lobe and the default mode network. The obtained interpretabilities were not without limitations. Nevertheless, results suggested that combining different imaging modalities may result in increased classification performance and model reliability. This could potentially boost the confidence laid in DL models and favor their wide applicability as aid diagnostic tools.

연구 동기 및 목표

• 다양한 MRI 데이터를 기반으로 한 딥러닝을 통해 알츠하이머병 진단 정확도를 향상시키기 위해.
• 모델 결정을 해석하기 위해 설명 가능한 인공지능(XAI) 기법을 적용하여 AI 모델에 대한 임상적 신뢰도를 향상시키기 위해.
• Grad-CAM 해석 분석을 통해 모델 예측 결과가 알려진 병리학적 뇌 영역과 일치하는지 검증하기 위해.
• 구조적 및 기능적 뇌 측정치를 융합함으로써 분류 성능 및 신뢰도 향상 여부를 평가하기 위해.
• Grad-CAM 열성도 맵의 통계적 순위를 통해 알츠하이머병 분류에 가장 관련성이 높은 뇌 영역을 규명하기 위해.

제안 방법

• T1-가중 구조적 MRI 스캔을 대상으로 ResNet18 모델을 훈련시어 알츠하이머병을 분류한다.
• 확산 MRI 데이터에서 유도된 뇌 연결성 행렬을 처리하기 위해 BC-GCN-SE 모델을 개발한다.
• 132개의 뇌 영역(하버드-옥스포드 및 AAL 아틀라스 기반)에서의 설명 가능성 확보를 위해 Grad-CAM을 적용한다.
• Grad-CAM에서 유도된 열성도 점수를 해부학적 영역에 매핑하고 알츠하이머병에서 알려진 병리학적 영역과 비교한다.
• 통계적 검정(p < 0.05)과 상위 15퍼센트의 가장 관련성 높은 영역 순위를 활용해 모델의 도메인 지식 준거 정도를 평가한다.
• 교차 검증 폴드 간 중앙값 진단 양성률(TPR)과 진단 음성률(TNR)을 사용해 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 MRI 데이터에서 알츠하이머병을 분류할 때 어떤 뇌 영역에 주목하는가?
• RQ2 이러한 모델의 주의 맵이 알츠하이머병에서 알려진 병리학적 영역과 얼마나 일치하는가?
• RQ3 구조적 MRI와 뇌 연결성 데이터를 융합함으로써 분류 성능 및 해석 가능성은 어떻게 영향을 받는가?
• RQ4 Grad-CAM과 같은 XAI 기법은 신경퇴행성 질환 분류를 위한 딥러닝 모델에 대해 신뢰도를 효과적으로 검증하고 향상시킬 수 있는가?
• RQ5 Grad-CAM이 식별한 가장 높은 열성도를 보이는 뇌 영역이 기본 상태 네트워크나 내측 측두엽과 같은 임상적으로 관련성이 높은 신경망과 일치하는가?

주요 결과

• ResNet18 모델은 중앙값 진단 양성률(TPR) 0.817과 중앙값 진단 음성률(TNR) 0.816을 기록하여 뛰어난 분류 성능를 보였다.
• BC-GCN-SE 모델은 중앙값 TPR 0.703과 중앙값 TNR 0.738을 기록하여 중간 수준이지만 임상적으로 관련성이 높은 정확도를 보였다.
• Grad-CAM 분석 결과, 두 모델 모두 알츠하이머병 병리학과 연관된 핵심 영역인 내측 측두엽과 기본 상태 네트워크에 주의를 집중시켰다.
• 통계적 검정을 통해 상위 15퍼센트의 가장 관련성 높은 뇌 영역이 알려진 병리학적 영역과 유의미하게 겹쳤다(p < 0.05).
• 해석 가능성 분석을 통해 모델 예측이 임의적이지 않고 기존에 알려진 알츠하이머병의 뇌해부학적 지식과 일치함을 입증하였다.
• 결과적으로 다중 모odal MRI 통합과 XAI의 융합은 모델 신뢰도를 향상시키고 뇌신경퇴행성 질환 진단에서 딥러닝의 임상적 도입을 지원할 수 있음을 시사한다.