[논문 리뷰] Deep Learning for Brain Age Estimation: A Systematic Review

M. Tanveer, M. A. Ganaie외 8명|arXiv (Cornell University)|2022. 12. 07.

Functional Brain Connectivity Studies인용 수 7

한 줄 요약

이 체계적 리뷰는 뇌 영상 데이터를 이용한 뇌 연령 추정을 위한 딥러닝 접근법을 종합적으로 분석하며, 아키텍처, 프레임워크, 연구 간 성능을 분석한다. 주요 추세를 규명하고 모델의 견고성, 불확실성, 설명 가능성에 대해 평가하며, 임상 적용을 위한 향후 연구 방향을 제시한다.

ABSTRACT

Over the years, Machine Learning models have been successfully employed on neuroimaging data for accurately predicting brain age. Deviations from the healthy brain aging pattern are associated to the accelerated brain aging and brain abnormalities. Hence, efficient and accurate diagnosis techniques are required for eliciting accurate brain age estimations. Several contributions have been reported in the past for this purpose, resorting to different data-driven modeling methods. Recently, deep neural networks (also referred to as deep learning) have become prevalent in manifold neuroimaging studies, including brain age estimation. In this review, we offer a comprehensive analysis of the literature related to the adoption of deep learning for brain age estimation with neuroimaging data. We detail and analyze different deep learning architectures used for this application, pausing at research works published to date quantitatively exploring their application. We also examine different brain age estimation frameworks, comparatively exposing their advantages and weaknesses. Finally, the review concludes with an outlook towards future directions that should be followed by prospective studies. The ultimate goal of this paper is to establish a common and informed reference for newcomers and experienced researchers willing to approach brain age estimation by using deep learning models

연구 동기 및 목표

• 뇌 영상 데이터를 이용한 딥러닝 응용에 대한 종합적이고 체계적인 분석을 제공하기 위해.
• 뇌 연령 예측에 사용된 다양한 딥러닝 아키텍처 및 프레임워크의 강점과 한계를 평가하기 위해.
• 뇌 연령 모델의 임상 신뢰성 향상에 기여하는 불확실성 추정 및 모델 설명 가능성의 역할을 검토하기 위해.
• 정확도, 견고성, 임상 적용 가능성 향상을 위한 연구 격차를 규명하고 향후 연구 방향을 제안하기 위해.
• 뇌 영상 및 뇌 노화 분야에 익숙하지 않은 연구자부터 경험이 많은 연구자까지 기초 참고 자료로 활용될 수 있도록 하기 위해.

제안 방법

• 주로 MRI를 활용한 뇌 연령 추정을 위한 딥러닝 관련 학술 논문에 대한 체계적 문헌 조사를 수행하였다.
• 디자인 및 성능 기준으로 3D CNN, 오토에인코드어, 잔차 네트워크, 트랜스포머 등의 딥러닝 아키텍처를 분류하고 분석하였다.
• 건강한 대상자 데이터로 학습하고 독립된 데이터로 테스트하는 감독 학습 회귀 프레임워크를 통해 뇌 연령 추정 프레임워크를 평가하였다.
• 모델 신뢰도를 측정하기 위해 몬테카를로 드롭아웃, 증거 기반 딥러닝, 콫래티브 예측과 같은 불확실성 추정 기법을 평가하였다.
• 모델 예측을 해석하고 관련 뇌 영역을 식별하기 위해 LIME 및 SHAP과 같은 사후 설명 가능성 방법을 검토하였다.
• 모델 아키텍처, 데이터 모odal, 성능 지표, 임상적 관련성 기반으로 문헌을 체계화하기 위한 분류 체계를 제안하였다.

실험 결과

연구 질문

• RQ1 뇌 연령 추정에 있어 가장 효과적인 딥러닝 아키텍처는 무엇이며, 성능 및 일반화 능력 측면에서 어떻게 비교되는가?
• RQ2 불확실성 추정 기법은 뇌 연령 예측의 신뢰성과 임상 활용 가능성에 어떻게 기여하는가?
• RQ3 설명 가능성 방법은 뇌 연령 추정을 위한 딥러닝 모델의 투명성과 신뢰도 향상에 얼마나 기여하는가?
• RQ4 현재의 딥러닝 기반 뇌 연령 추정 프레임워크에 존재하는 주요 한계와 편향은 무엇인가?
• RQ5 딥러닝 모델의 뇌 연령 추정 임상 적용을 촉진하기 위해 필요한 향후 연구 방향은 무엇인가?

주요 결과

• 특히 3D 컨volution 신경망과 잔차 네트워크를 포함한 딥러닝 모델은 전통적인 머신러닝 방법보다 뇌 연령 추정 정확도에서 끊임없이 뛰어난 성능을 보였다.
• 몬테카를로 드롭아웃 및 증거 기반 딥러닝과 같은 불확실성 추정 기법은 예측의 신뢰도를 높이며, 신뢰구간을 제공함으로써 모델의 신뢰성을 크게 향상시켰다.
• LIME 및 SHAP과 같은 사후 설명 가능성 방법은 나이 예측에 가장 기여하는 뇌 영역을 성공적으로 규명하여 뇌 노화의 잠재적 생물학적 지표를 제공할 수 있었다.
• 높은 성능에도 불구하고 많은 모델들이 해석 가능성과 불확실성 측정 기능을 결여하고 있어 임상적 도입에 제약가지며.
• 상당수의 연구에서 작은 크기이면서 대표성이 떨어지는 데이터셋을 사용하고 있어, 모델의 일반화 능력과 편향 문제에 대한 우려가 제기된다.
• 향후 연구는 모델의 투명성, 불확실성 측정, 임상 의사결정 지원 시스템과의 통합을 우선시하여 실제 적용 가능성 향상을 도모해야 한다.