[논문 리뷰] Eye-Movement behavior identification for AD diagnosis

Juan Andrés Biondi, Gerardo Fernández외 2명|arXiv (Cornell University)|2017. 02. 02.

Machine Learning in Bioinformatics참고 문헌 13인용 수 19

한 줄 요약

이 연구는 독서 중 눈운동 데이터를 이용해 알츠하이머병(AD)을 식별하기 위해 노이즈 제거 희박한 오토인코더와 소프트맥스 분류기를 사용하는 딥러닝 프레임워크를 제안한다. 고예측 가능성과 저예측 가능성 문장 및 속담을 대상으로 시도별 눈운동 기술 특징을 추출한 결과, 환자와 건강한 대조군을 분류하는 데 89.78%의 정확도를 달성하여 조기 비침습적 진단의 강력한 잠재력을 보여주었다.

ABSTRACT

In the present work, we develop a deep-learning approach for differentiating the eye-movement behavior of people with neurodegenerative diseases over healthy control subjects during reading well-defined sentences. We define an information compaction of the eye-tracking data of subjects without and with probable Alzheimer's disease when reading a set of well-defined, previously validated, sentences including high-, low-predictable sentences, and proverbs. Using this information we train a set of denoising sparse-autoencoders and build a deep neural network with these and a softmax classifier. Our results are very promising and show that these models may help to understand the dynamics of eye movement behavior and its relationship with underlying neuropsychological correlates.

연구 동기 및 목표

• 독서 과제를 통해 알츠하이머병(AD) 환자와 건강한 대조군 간의 눈운동 패턴을 구분하는 기계학습 접근법을 개발하기 위해.
• 구조화된 언어적 자극을 독해하는 동안 눈운동 데이터에서 의미 있는 시도별 눈운동 기술 특징을 추출하기 위해.
• 특히 노이즈 제거 희박한 오토인코더와 소프트맥스 분류기를 조합한 딥 네ural 네트워크 아키텍처의 성능을 평가하여 AD를 분류하기 위해.
• 정신의학자들이 제공한 임상적 심각도 평가와 모델의 출력 점수 간 상관관계를 탐색하여 모델의 진단 관련성을 검증하기 위해.

제안 방법

• AD 환자와 건강한 대조군으로 구성된 참가자들이 검증된 언어적 자극 세트를 독해함: 고예측 가능성 문장과 저예측 가능성 문장, 속담.
• 눈운동 데이터를 수집하고 처리하여 독서 행동을 기록하는 시도별 기술 특징(고정 지속 시간, 사카드 길이, 재진입 빈도 등)을 추출함.
• 눈운동 특징의 계층적 표현을 학습하기 위해 스택드된 노이즈 제거 희박한 오토인코더를 사용하여 딥 네ural 네트워크를 구축함.
• 학습된 특징을 소프트맥스 분류기에 입력하여 AD 대 대조군 상태의 이진 분류를 수행함.
• 환자 수준의 분류 정확도를 향상시키기 위해 환자당 모든 문장에 대해 다수결 투표를 적용함.
• 후속 오토인코더 레이어에서의 특징 전문화 분석과 유사한 입력 패턴 간의 인코딩 표현 비교를 통해 모델의 해석 가능성 평가함.

실험 결과

연구 질문

• RQ1 딥러닝을 활용해 독서 중 눈운동 패턴을 신뢰성 있게 알츠하이머병 환자와 건강한 대조군을 구분하는 데 사용할 수 있는가?
• RQ2 오토인코더 계층에서 학습된 표현이 눈운동 데이터에 의미 있는 비난확적인 구조를 반영하는가?
• RQ3 모델의 출력 점수는 정신의학자가 부여한 임상적 심각도 평가와 어느 정도 상관관계가 있는가?
• RQ4 다양한 독서 시도에 걸쳐 예측을 집계함으로써 환자 수준의 진단 정확도를 향상시킬 수 있는가?
• RQ5 임상 평가에 의해 나타난 인지 기능 저하의 정도에 따라 모델의 출력이 민감하게 반응하는가?

주요 결과

• 딥러닝 모델은 독서 과제에서 얻은 눈운동 기술 특징을 사용해 AD 환자와 건강한 대조군을 시도 수준에서 89.78%의 정확도로 구분함.
• 환자당 모든 문장에 대해 다수결 투표를 적용한 결과, 테스트 세트에 포함된 8명의 환자 모두를 정확하게 분류하는 데 100%의 정확도를 달성함.
• 모델의 출력 점수는 정신의학자가 부여한 임상적 심각도 평가와 강한 상관관계를 보였으며, 예측 점수와 평가 점수 간 평균 차이는 0.19(SD = 0.15)였음.
• 오토인코더 레이어는 유사한 입력을 일관되고 부드럽게 인코딩했으며, 후속 레이어에서 AD 특이적 또는 대조군 특이적 특징을 탐지하기 위해 전문화됨.
• 모델의 성능은 독서 중 눈운동 패턴이 인지 상태와 관련된 임상적 정보를 담고 있으며, 비침습적 생물학적 지표로 활용될 수 있음을 시사함.
• 이 연구는 딥러닝이 신경심리학적 평가와 일치하는 미세한 진단 패턴을 눈운동 행동에서 추출할 잠재력을 부각함.