[논문 리뷰] Disentangling brain heterogeneity via semi-supervised deep-learning and MRI: dimensional representations of Alzheimer's Disease

Zhijian Yang, Ilya M. Nasrallah외 9명|arXiv (Cornell University)|2021. 02. 24.

Dementia and Cognitive Impairment Research참고 문헌 29인용 수 4

한 줄 요약

이 논문은 MRI 데이터를 사용하여 알츠하이머병에서 신경해부학적 이질성을 분리하는 반감독형 딥클러스터링 프레임워크인 Smile-GAN을 소개한다. 이는 네 가지의 구분되는 신경퇴행성 패턴(P1–P4)과 두 가지의 종단적 진행 경로를 식별하며, 임상 진행 예측에서 아밀로이드/타우 생물학적 표지보다 패턴 발현이 더 뛰어난 성능을 보인다.

ABSTRACT

Heterogeneity of brain diseases is a challenge for precision diagnosis/prognosis. We describe and validate Smile-GAN (SeMI-supervised cLustEring-Generative Adversarial Network), a novel semi-supervised deep-clustering method, which dissects neuroanatomical heterogeneity, enabling identification of disease subtypes via their imaging signatures relative to controls. When applied to MRIs (2 studies; 2,832 participants; 8,146 scans) including cognitively normal individuals and those with cognitive impairment and dementia, Smile-GAN identified 4 neurodegenerative patterns/axes: P1, normal anatomy and highest cognitive performance; P2, mild/diffuse atrophy and more prominent executive dysfunction; P3, focal medial temporal atrophy and relatively greater memory impairment; P4, advanced neurodegeneration. Further application to longitudinal data revealed two distinct progression pathways: P1$ ightarrow$P2$ ightarrow$P4 and P1$ ightarrow$P3$ ightarrow$P4. Baseline expression of these patterns predicted the pathway and rate of future neurodegeneration. Pattern expression offered better yet complementary performance in predicting clinical progression, compared to amyloid/tau. These deep-learning derived biomarkers offer promise for precision diagnostics and targeted clinical trial recruitment.

연구 동기 및 목표

• 정밀 진단 및 예후에 있어 뇌질환의 이질성 문제를 해결하기 위해.
• 구조적 MRI 데이터로부터 생물학적으로 의미 있는 알츠하이머병 아형을 식별하는 방법을 개발하기 위해.
• 완전히 레이블링된 데이터가 필요 없이 반감독형 딥러닝을 활용해 영상 기반 질환 아형을 발견하기 위해.
• 종단적 데이터를 활용해 식별된 패턴의 임상적 관련성을 검증하고 뇌신경퇴행성 경로의 예측을 위해.
• 딥러닝 기반 생물학적 표지의 예측 능력이 전통적인 아밀로이드/타우 표지와 비교하여 어떻게 되는지 비교하기 위해.

제안 방법

• Smile-GAN은 클러스터링과 생성적 적대 신경망(GANs)을 결합한 새로운 반감독형 딥클러스터링 모델로, MRI 스캔에서 분리된 표현을 학습한다.
• 특징의 분리와 시각 간의 클러스터 할당 일致성을 장려하기 위해 대조 손실을 사용한다.
• 실제 스캔과 생성된 스캔을 구분하는 디스커리너와 함께 실제적인 뇌 영상을 합성하는 생성자 모델을 동시에 최적화하며, 클러스터 구조를 강제한다.
• 모델은 레이블이 부여된 대조군과 인지장애 또는 치매가 있는 레이블이 없는 개인의 조합으로 훈련된다.
• 뇌신경퇴행성의 차원적 표현은 학습된 잠재 공간에서 유도되며, 각 차원은 별개의 신경퇴행성 패턴에 해당한다.
• 진행 경로는 종단적 MRI 데이터에서 시간 점수 간 패턴 발현의 변화를 추적하여 유추된다.

실험 결과

연구 질문

• RQ1 완전한 레이블링이 없는 구조적 MRI 데이터에서 반감독형 딥러닝 프레임워크가 생물학적으로 의미 있는 알츠하이머병 아형을 식별할 수 있는가?
• RQ2 비지도 분리 기반 뇌 MRI 데이터에서 부각되는 구분되는 신경퇴행성 패턴(위축 축)은 무엇인가?
• RQ3 이러한 패턴들은 기억력 또는 실행기능 저하와 같은 인지 성능 및 임상 표현형과 어떻게 관련이 있는가?
• RQ4 이러한 패턴의 발현은 종단적 데이터에서 향후 뇌신경퇴행성 경로와 속도를 예측할 수 있는가?
• RQ5 딥러닝 기반 생물학적 표지의 예측 성능은 기존의 아밀로이드/타우 표지와 비교하여 어떻게 되는가?

주요 결과

• Smile-GAN은 네 가지의 명확한 신경퇴행성 패턴을 식별하였다: P1(정상 해부학, 최상의 인지 기능), P2(경도/광범위한 위축, 실행기능 저하), P3(부분적 내측 시간엽 위축, 기억력 저하), P4(심한 뇌신경퇴행성).
• 종단적 분석에서 두 가지 주요 진행 경로가 밝혀졌다: P1 → P2 → P4 및 P1 → P3 → P4로, 기저 상태의 패턴 발현이 향후 경로를 예측하였다.
• 이러한 패턴의 발현은 아밀로이드나 타우 생물학적 표지보다 임상 진행 예측 정확도가 높았으며, 보완적인 예측 능력을 제공하였다.
• 부분 레이블만을 사용하여 뇌 이질성을 성공적으로 분리하였으며, 낮은 감독 환경에서도 뛰어난 강건성을 보였다.
• MRI 스캔에서 유도된 차원적 표현은 다양한 인지 상태에서 임상적으로 관련 있는 뇌해부학적 및 인지 표현형을 잘 포괄하였다.
• 이 방법은 생물학적으로 구분되는 알츠하이머병 아형을 식별함으로써 정밀 진료 및 임상 시험에 대한 타겟팅된 모집단 선별을 가능하게 하였다.