[논문 리뷰] Classification of Resting-State fMRI using Evolutionary Algorithms: Towards a Brain Imaging Biomarker for Parkinson's Disease

Amir Dehsarvi, Smith, Stephen L.|arXiv (Cornell University)|2019. 10. 11.

Functional Brain Connectivity Studies참고 문헌 68인용 수 5

한 줄 요약

이 연구는 파킨슨병(PD)의 조기 진단을 위해 PPMI 데이터셋의 휴식 상태 fMRI 데이터를 분류하기 위한 Cartesian Genetic Programming(CGP)의 새로운 응용을 제안한다. 최대 75.21%의 정확도를 기록하여 전임상기 파킨슨병 환자와 건강한 대조군을 구분하는 데 성공하며, 임상 이전 생체지표를 규명하는 데 있어 중요한 진전을 이룬다. CGP는 정확도가 경쟁적인 수준을 유지하면서도 기존 방법보다 뛰어난 해석 가능성(해석 가능성)을 보였으며, 신경퇴행성 질환의 뇌 영상 생체지표 발견 도구로서의 잠재력을 입증한다.

ABSTRACT

Accurate early diagnosis and monitoring of neurodegenerative conditions is essential for effective disease management and delivery of medication and treatment. This research develops automatic methods for detecting brain imaging preclinical biomarkers for Parkinson's disease (PD) by considering the novel application of evolutionary algorithms. A fundamental novel element of this work is the use of evolutionary algorithms to both map and predict the functional connectivity in patients using resting state functional MRI data taken from the PPMI to identify PD progression biomarkers. Specifically, Cartesian Genetic Programming was used to classify DCM data as well as time-series data. The findings were validated using two other commonly used classification methods (Artificial Neural Networks and Support Vector Machines) and by employing k-fold cross-validation. Across DCM and time-series analyses, findings revealed maximum accuracies of 75.21% for early stage (prodromal) PD patients versus healthy controls, 85.87% for PD patients versus prodromal PD patients, and 92.09% for PD patients versus healthy controls. Prodromal PD patients were classified from healthy controls with high accuracy - this is notable and represents the key finding of this research since current methods of diagnosing prodromal PD have both low reliability and low accuracy. Furthermore, Cartesian Genetic Programming provided comparable performance accuracy relative to ANN and SVM. Evolutionary algorithms enable us to decode the classifier in terms of understanding the data inputs that are used, more easily than in ANN and SVM. Hence, these findings underscore the relevance of both DCM analyses for classification and CGP as a novel classification tool for brain imaging data with medical implications for disease diagnosis, particularly in early and asymptomatic stages.

연구 동기 및 목표

• 진화 알고리즘을 활용해 파킨슨병의 전임상 뇌 영상 생체지표를 자동으로 식별하는 방법을 개발하는 것.
• Cartesian Genetic Programming(CGP)이 휴식 상태 fMRI 데이터의 기능적 연결 패턴을 분류하는 데 성능을 평가하는 것.
• 기존의 인공 신경망(ANN)과 서포트 벡터 머신(SVM) 같은 표준 방법과 비교하여 CGP의 분류 정확도와 해석 가능성(해석 가능성)을 평가하는 것.
• 동적 인과 모델링(DCM)과 시계열 fMRI 데이터를 활용해 파킨슨병의 단계, 특히 전임상기 파킨슨병을 구분하는 데의 가능성을 평가하는 것.
• 신경영상 자료에서 신뢰할 수 있고 데이터 기반의 생체지표를 식별함으로써 파킨슨병의 조기에 정확하게 진단하는 데 기여하는 것.

제안 방법

• PPMI 이니셔티브를 통해 수집한 휴식 상태 fMRI 데이터에서 유도된 기능적 연결 패턴을 분류하기 위해 Cartesian Genetic Programming(CGP)을 활용하였다.
• 분류의 입력 특징으로 시계열 데이터와 동적 인과 모델링(DCM) 출력 결과를 모두 처리하였다.
• 과적합을 줄이고 성능 평가의 강건성을 확보하기 위해 k-폴드 교차검증 전략을 적용하였다.
• 분류 성능를 인공 신경망(ANN)과 서포트 벡터 머신(SVM)이라는 두 가지 표준 기계학습 모델과의 비교 기준으로 삼았다.
• CGP의 해석 가능성(해석 가능성)을 활용하여 분류 결정에 가장 기여한 뇌 연결 특징을 분석하였다.
• 진화된 CGP 프로그램에서 특징 중요도를 추출하여 분류 규칙의 생물학적 해석 가능성을 높였다.

실험 결과

연구 질문

• RQ1 진화 알고리즘인 CGP가 휴식 상태 fMRI 데이터를 효과적으로 분류하여 조기(전임상기) 파킨슨병을 탐지하는 데 유용한가?
• RQ2 ANN과 SVM 같은 전통적 모델과 비교해 CGP의 분류 정확도는 파킨슨병 아형과 대조군을 구분하는 데 어떻게 다른가?
• RQ3 CGP는 얼마나 높은 수준의 해석 가능성을 제공하여 파킨슨병 진행에 예측력이 있는 기능적 연결 특징를 드러내는가?
• RQ4 원시 시계열 fMRI 데이터에 비해 DCM 유도 연결 특징을 사용하면 분류 성능 향상이 가능한가?
• RQ5 현재 임상 진단의 한계를 감안할 때, fMRI와 진화 계산을 활용해 전임상기 파킨슨병을 높은 정확도로 탐지하는 것은 가능한가?

주요 결과

• 제안된 CGP 기반 방법은 전임상기 파킨슨병 환자와 건강한 대조군을 구분하는 데 최대 75.21%의 분류 정확도를 기록하여 조기 진단 잠재력을 입증하였다.
• 기존에 진단된 파킨슨병 환자와 건강한 대조군을 구분하는 데서는 92.09%의 정확도를 달성하여 후기 단계 질환에서 강력한 분류 능력을 보였다.
• 파킨슨병 환자와 전임상기 파킨슨병 환자를 구분하는 데서는 85.87%의 정확도를 기록하여 질환 진행 단계를 탐지할 수 있음을 시사하였다.
• CGP는 ANN 및 SVM와 유사한 분류 성능를 보였으며, 동시에 더 뛰어난 결정 규칙의 해석 가능성(해석 가능성)을 제공하였다.
• DCM 데이터의 사용이 분류 성능 향상에 기여하여, 효과적 연결 모델링이 생체지표 탐지에 도움이 된다는 점을 시사하였다.
• CGP의 해석 가능성(해석 가능성) 덕분에 핵심 기능적 연결 특징를 식별할 수 있었으며, 이는 연구 결과의 생물학적 타당성과 임상적 관련성을 뒷받침하였다.