[논문 리뷰] Brain Biomarker Interpretation in ASD Using Deep Learning and fMRI

Xiaoxiao Li, Nicha C. Dvornek외 3명|arXiv (Cornell University)|2018. 08. 23.

Functional Brain Connectivity Studies참고 문헌 7인용 수 10

한 줄 요약

이 논문은 자폐성 발달 장애(ASD)의 fMRI 생물학적 지표를 해석하기 위해 2CC3D DNN 분류기와 새로운 ROI 기반 이미지 손상 및 통계적 유의성 검증 방법을 조합한 이단계적 딥러닝 프레임워크를 제안한다. 특정 뇌 영역을 손상시킨 후 예측 변화를 분석함으로써, 기존 문헌과 일치하고 생물학적으로 타당한 생물학적 지표—예: 기본 모드 네트워크 및 운동 관련 영역—를 식별한다. 이는 DNN 활성도 맵과 신경 기능 복원 기법을 통해 검증되었으며, 작업 상태 fMRI 데이터셋과 휴식 상태 fMRI 데이터셋에서 각각 87.1% 및 85.3%의 분류 정확도를 달성한다.

ABSTRACT

Autism spectrum disorder (ASD) is a complex neurodevelopmental disorder. Finding the biomarkers associated with ASD is extremely helpful to understand the underlying roots of the disorder and can lead to earlier diagnosis and more targeted treatment. Although Deep Neural Networks (DNNs) have been applied in functional magnetic resonance imaging (fMRI) to identify ASD, understanding the data-driven computational decision making procedure has not been previously explored. Therefore, in this work, we address the problem of interpreting reliable biomarkers associated with identifying ASD; specifically, we propose a 2-stage method that classifies ASD and control subjects using fMRI images and interprets the saliency features activated by the classifier. First, we trained an accurate DNN classifier. Then, for detecting the biomarkers, different from the DNN visualization works in computer vision, we take advantage of the anatomical structure of brain fMRI and develop a frequency-normalized sampling method to corrupt images. Furthermore, in the ASD vs. control subjects classification scenario, we provide a new approach to detect and characterize important brain features into three categories. The biomarkers we found by the proposed method are robust and consistent with previous findings in the literature. We also validate the detected biomarkers by neurological function decoding and comparing with the DNN activation maps.

연구 동기 및 목표

• 딥러닝 모델이 fMRI에 적용될 때의 해석 불가능성 문제를 해결하기 위해.
• ASD와 대조군을 구분할 수 있는 신뢰할 수 있고 생물학적으로 의미 있는 뇌 영역 생물학적 지표를 식별하기 위해.
• 解剖학적 뇌 구조와 통계적 유의성 검증을 활용하여 기존 시각화 기법을 초월해 신뢰도를 높인 사전 지도 기반의 중요도 맵 개선 방법을 개발하기 위해.
• 신경 기능 복원, DNN 활성도 맵, 기존 문헌과의 비교를 통해 검출된 생물학적 지표를 검증하기 위해.

제안 방법

• 4D fMRI 데이터에 대해 6개의 합성곱, 4개의 맥스 풀링, 2개의 완전 연결 계층을 갖는 2CC3D DNN를 훈련하며, 시간 시리즈 특징 추출을 위해 슬라이딩 윈도우 기반으로 평균 및 표준편차 특징을 추출한다.
• 해부학적 구조를 유지하면서 특정 관심 영역(ROIs)의 fMRI 이미지를 손상시키기 위해 주파수 보정 샘플링 전략을 적용한다.
• 원본 이미지와 손상된 이미지 간의 예측 차이를 분석하기 위해, 클래스 예측 분포 간의 젠슨-쇼너 엔트로피(이하 JSD)를 사용하며, 안정적인 추정을 위해 부트스트래핑 기법을 활용한다.
• 예측 이동의 통계적 유의성은 예측 이동에 대한 두 표본 t-검정을 통해 평가하며, 다중 비교를 제어하기 위해 가짜 발견률 보정을 적용한다.
• 각 ROI의 중요도는 예측 이동의 크기와 유의성에 의해 결정되며, 신뢰수준(α_JSD)과 윌콕슨 순서통계량 p-값(α_W)을 기반으로 임계값이 설정된다.
• 검출된 ROI의 신경 기능은 Neurosynth를 사용해 복원하며, 초기 DNN 계층의 중간 활성도 맵과의 비교를 통해 결과를 검증한다.

실험 결과

연구 질문

• RQ1 딥러닝을 활용한 fMRI 기반 ASD 분류에서, ASD와 대조군을 구분하는 데 가장 중요한 뇌 영역은 어디인가?
• RQ2 흐릿한 중요도 맵을 넘어서, fMRI 기반 ASD 분류에서 DNN의 의사결정 과정을 신뢰성 있게 해석할 수 있는 방법은 무엇인가?
• RQ3 검출된 생물학적 지표는 알려진 신경생물학적 기능과 이전 문헌에서의 ASD 연구 결과와 일치하는가?
• RQ4 제안된 방법은 다양한 fMRI 데이터셋과 실험 조건에서 안정적이고 강건한 생물학적 지표를 식별할 수 있는가?

주요 결과

• 이 방법은 두 데이터셋에서 총 116개의 ROI를 검출하였으며, 작업 상태 fMRI 데이터에서는 87.1%의 정확도, 휴식 상태 fMRI 데이터에서는 85.3%의 정확도를 기록하였다.
• 빨간색 ROI(ASD 관련)는 시각 처리, 운동 기능, 정서 기능과 관련된 영역을 포함하며, 이는 ASD 관련 행동 특성과 일치한다.
• 초록색 ROI(대조군 관련)는 주로 시각 주의 및 실행 기능과 관련되어 있어, 대조군이 작업 중에 시각 자극에 더 많은 주의를 기울일 수 있음을 시사한다.
• 파란색 ROI(양측 그룹에 공통)는 기본 모드 네트워크 및 전두엽 후부 영역(precuneus)을 포함하며, 자아 중심 사고 및 기능적 연결성과 관련된 영역으로, 이는 이전 연구에서 ASD와 연관된 바가 있다.
• α_JSD 및 α_W의 다양한 통계 임계값에서도 생물학적 지표 검출이 높은 안정성을 보였으며, 예측 분포의 꼬리가 두꺼운 경우에만 매우 낮은 α_JSD 값에서 불안정성이 나타났다.
• DNN의 첫 번째 및 두 번째 합성곱 계층에서의 활성도 맵은 그룹 간의 차이가 존재함을 확인하였으며, 두 번째 계층은 검출된 생물학적 지표와 강한 일치를 보였다.