[논문 리뷰] DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications

Somaye Hashemifar, Claudia Iriondo외 3명|arXiv (Cornell University)|2022. 03. 17.

Machine Learning in Healthcare인용 수 4

한 줄 요약

DeepAD는 종단적 임상, 인구통계 및 3차원 MRI 데이터를 사용하여 알츠하이머병 진행을 예측하는 다중모달, 다중작업 딥러닝 모델이다. 3차원 CNN으로 추출한 영상 특징을 표본 데이터와 융합하고, 적대적 손실과 날카기성 인식 최소화를 적용함으로써 다양한 코hort에서 최신 기술 수준의 일반화 성능을 달성하며, 연구 외 데이터셋에서 예측 오차를 최대 30% 감소시킨다.

ABSTRACT

The ability to predict the future trajectory of a patient is a key step toward the development of therapeutics for complex diseases such as Alzheimer's disease (AD). However, most machine learning approaches developed for prediction of disease progression are either single-task or single-modality models, which can not be directly adopted to our setting involving multi-task learning with high dimensional images. Moreover, most of those approaches are trained on a single dataset (i.e. cohort), which can not be generalized to other cohorts. We propose a novel multimodal multi-task deep learning model to predict AD progression by analyzing longitudinal clinical and neuroimaging data from multiple cohorts. Our proposed model integrates high dimensional MRI features from a 3D convolutional neural network with other data modalities, including clinical and demographic information, to predict the future trajectory of patients. Our model employs an adversarial loss to alleviate the study-specific imaging bias, in particular the inter-study domain shifts. In addition, a Sharpness-Aware Minimization (SAM) optimization technique is applied to further improve model generalization. The proposed model is trained and tested on various datasets in order to evaluate and validate the results. Our results showed that 1) our model yields significant improvement over the baseline models, and 2) models using extracted neuroimaging features from 3D convolutional neural network outperform the same models when applied to MRI-derived volumetric features.

연구 동기 및 목표

• 다양한 임상 코hort에서 일반화 가능한 딥러닝 모델을 개발하여 알츠하이머병 진행을 예측하는 것.
• 스캐너 및 프로토콜 차이로 인한 신경영상 데이터의 연구 간 도메인 이탈 문제를 해결하는 것.
• MRI, 임상 및 인구통계적 특징을 포함한 다중모달 데이터 융합을 통해 연속적인 인지 점수(CDRSB, MMSE, ADAS-COG12)의 예측 정확도를 향상시키는 것.
• 적대적 손실과 날카기성 인식 최소화(SAM)를 활용하여 모델의 일반화 능력을 향상시켜 분포 이탈에 대한 강건성을 높이는 것.
• 실제 임상 현장에서 초기 단계 알츠하이머병 환자에게 개인 맞춤형이고 세밀한 질병 진행 예측을 가능하게 하는 것.

제안 방법

• 3차원 컨volution 신경망(3D-CNN)이 전체 해상도의 T1-강조 MRI 스캔에서 엔드 투 엔드로 훈련되어 시공간적 특징을 추출한다.
• 임상, 인구통계 및 유전적 데이터는 표본 입력으로 처리되며, 다중모달 다중작업 학습 프레임워크에서 깊이 있는 영상 특징과 융합된다.
• 훈련 중에 적대적 손실이 적용되어 다양한 연구 기관의 특징 분포를 일치시켜 도메인 이탈 영향을 줄인다.
• 손실 곡면에서 더 평평한 최소값을 찾는 데 목적이 있는 최적화 기법으로 날카기성 인식 최소화(SAM)가 사용된다.
• 모델은 ADNI 코hort의 여러 데이터셋에서 훈련 및 평가되며, 연구 내 및 연구 외 테스트 세트를 통해 일반화 능력을 평가한다.
• 엔드 투 엔드 훈련이 수행되어 CDRSB, MMSE, ADAS-COG12의 세 가지 인지 종속변수 예측을 동시에 최적화한다.

실험 결과

연구 질문

• RQ1 임상, 인구통계 및 3차원 MRI 데이터를 융합하는 다중모달 딥러닝 모델이 알츠하이머병 진행 예측 정확도를 향상시킬 수 있는가?
• RQ2 다중기관 신경영상 데이터에서 연구 간 도메인 이탈을 완화하는 데 적대적 손실이 얼마나 효과적인가?
• RQ3 날카기성 인식 최소화(SAM)를 통합할 경우 다양한 임상 코hort에서의 모델 일반화 능력이 향상되는가?
• RQ4 세그멘테이션 파이프라인에서 유도된传통적인 부피 측정 특징보다 3D-CNN에서 추출한 원시 3차원 MRI 특징이 더 우수한 성능을 내는가?
• RQ5 훈련에 포함되지 않은 새로운 연구 기관의 데이터에 대해 모델의 일반화 능력은 어느 정도인가?

주요 결과

• DeepAD는 기준 모델 대비 연구 외 테스트 세트에서 예측 정확도를 30% 상승시켰으며, SAM 최적화를 사용할 경우 최저 테스트 손실 0.4를 기록했다.
• 3D-CNN로 추출한 특징을 사용한 모델이 MRI 유도 부피 특징을 사용한 모델보다 우수했으며, MMSE 예측에서 최대 30%의 테스트 오차 감소를 기록했다.
• 적대적 손실이 일반화 능력을 향상시켜, 훈련 및 검증에 사용되지 않은 연구 E에서는 MMSE 예측의 R²가 0.22% 향상되었고, 연구 F에서는 0.09% 향상되었다.
• SAM + SGD로 훈련한 결과 안정적인 수렴이 이루어졌으며, 표준 SGD 대비 R²가 0.16에서 0.27로 0.11 향상되었다.
• 모델는 도메인 이탈에 매우 강건했으며, 모든 세 가지 인지 점수에서 연구 외 성능이 연구 내 기준 모델을 항상 초월했다.
• MRI와 임상 모odal을 융합한 DeepAD는 모든 지표에서 최고의 성능을 기록하여 다중모달 융합의 가치를 확인했다.