[논문 리뷰] Estimating brain age based on a healthy population with deep learning and structural MRI

Xinyang Feng, Zachary C. Lipton외 3명|arXiv (Cornell University)|2019. 07. 01.

Functional Brain Connectivity Studies참고 문헌 37인용 수 5

한 줄 요약

이 연구는 대규모이고 다양한 인구집단에서 균일하게 분포된 건강한 인구군(N = 10,158명, 연령 18–97세)으로부터 T1-가중 구조적 MRI를 사용하여 뇌 연령을 추정하는 딥러닝 모델을 제안한다. ADNI, AIBL, FTLDNI 및 기타 자료에서 온 다중기관 데이터를 기반으로 훈련함으로써, 최신 기술 수준의 정확도(MAE = 4.06년, r = 0.970)를 달성하였으며, 뇌 연령 예측에서 전 frontal 소역의 지배성과 수명 주기별 패턴을 드러냈다.

ABSTRACT

Numerous studies have established that estimated brain age, as derived from statistical models trained on healthy populations, constitutes a valuable biomarker that is predictive of cognitive decline and various neurological diseases. In this work, we curate a large-scale heterogeneous dataset (N = 10,158, age range 18 - 97) of structural brain MRIs in a healthy population from multiple publicly-available sources, upon which we train a deep learning model for brain age estimation. The availability of the large-scale dataset enables a more uniform age distribution across adult life-span for effective age estimation with no bias toward certain age groups. We demonstrate that the age estimation accuracy, evaluated with mean absolute error (MAE) and correlation coefficient (r), outperforms previously reported methods in both a hold-out test set reflective of the custom population (MAE = 4.06 years, r = 0.970) and an independent life-span evaluation dataset (MAE = 4.21 years, r = 0.960) on which a previous study has evaluated. We further demonstrate the utility of the estimated age in life-span aging analysis of cognitive functions. Furthermore, we conduct extensive ablation tests and employ feature-attribution techniques to analyze which regions contribute the most predictive value, demonstrating the prominence of the frontal lobe as well as pattern shift across life-span. In summary, we achieve superior age estimation performance confirming the efficacy of deep learning and the added utility of training with data both in larger number and more uniformly distributed than in previous studies. We demonstrate the regional contribution to our brain age predictions through multiple routes and confirm the association of divergence between estimated and chronological brain age with neuropsychological measures.

연구 동기 및 목표

• 대규모이고 다양한 인구집단에서 연령이 균일하게 분포된 건강한 집단을 기반으로 강건한 뇌 연령 추정 모델을 개발하기 위해.
• 최소한의 연령군 편향을 가진 다기관 공개 구조적 MRI 데이터셋을 활용하여 정확도를 향상시키기 위해.
• 해석 가능한 인공지능 기법을 사용하여 뇌 연령 예측에 기여하는 지역적 기여도를 조사하기 위해.
• 정상 노화에서의 이탈을 탐지하고 그와 인지 기능과 연결지어 모델의 유용성을 검증하기 위해.
• 노화 및 신경퇴행성 질환 연구를 위한 공개 가능한 고정확도의 뇌 연령 추정 도구를 제공하기 위해.

제안 방법

• ADNI, AIBL, FTLDNI, PPMI, Cam-CAN, SchizConnect 등의 다수 공개 신경영상 데이터셋에서 수집한 T1-가중 구조적 MRI 스캔을 통합하여, 다각적이고 이질적인 건강 집단을 구성하였다.
• 원시 T1w MRI 볼륨을 기반으로 엔드 투 엔드로 딥 컨volution 신경망(CNN)을 훈련하여 연령을 예측하였다.
• 다중기관 촬영 간 일관성을 확보하기 위해 데이터 증강 및 정규화 기법을 적용하였다.
• 모델 예측을 해석하고 예측력이 높은 뇌 영역을 특정하기 위해 LRP(Layer-wise Relevance Propagation) 및 기타 특징 기여도 기법을 사용하였다.
• 일반화 능력을 보장하기 위해 보류 테스트 세트와 독립적인 수명 주기 평가 데이터셋에서 모델 성능을 평가하였다.
• 데이터 분포, 모델 아키텍처, 데이터 소스의 영향을 평가하기 위해 추론 실험(ablation studies)를 수행하였다.

실험 결과

연구 질문

• RQ1 대규모이고 다양한 인구집단에서 연령이 균일하게 분포된 건강한 집단을 기반으로 훈련된 딥러닝 모델이 이전 방법들보다 뛰어난 뇌 연령 추정 정확도를 달성할 수 있는가?
• RQ2 뇌 연령 예측에 가장 크게 기여하는 뇌 영역는 무엇이며, 이러한 기여도는 성인 수명 주기 동안 어떻게 변화하는가?
• RQ3 예측된 뇌 연령과 실제 연령 간의 괴리와 인지 기능 및 신경심리학적 측정치 사이에 어떤 상관관계가 있는가?
• RQ4 더 포괄적이고 균형 잡힌 데이터셋으로 훈련하면 모델의 일반화 능력 향상과 연령군 편향 감소에 기여하는가?
• RQ5 다양한 신경영상 데이터 소스가 모델 성능 및 해석 가능성에 어느 정도 기여하는가?

주요 결과

• 모델은 보류 테스트 세트에서 평균 절대 오차(MAE) 4.06년, 상관계수(r) 0.970을 기록하여 이전에 보고된 방법들을 능가하였다.
• 독립적인 수명 주기 평가 데이터셋에서 모델은 MAE 4.21년, r = 0.960을 기록하여 다양한 인구집단에서의 뛰어난 일반화 능력을 확인하였다.
• 전 frontal 소역이 가장 예측력이 높은 영역로 규명되었으며, 특징 기여도 분석을 통해 그 중심적인 역할이 드러났다.
• 모델은 뇌 연령 예측 패턴이 수명 주기 동안 동적으로 변화함을 드러내었으며, 다양한 연령대에서 다른 영역이 더 큰 기여를 하였다.
• 예측된 뇌 연령과 실제 연령 간 괴리와 인지 기능 측정치 사이에 유의미한 상관관계가 발견되었다.
• 추론 실험 결과, 데이터 다양성과 균일한 연령 분포가 성능 향상과 편향 감소에 핵심 요소임을 확인하였다.