[논문 리뷰] From Group-Differences to Single-Subject Probability: Conformal Prediction-based Uncertainty Estimation for Brain-Age Modeling

Jan Ernsting, Nils R. Winter외 14명|arXiv (Cornell University)|2023. 02. 10.

Health, Environment, Cognitive AgingEnvironmental Science인용 수 3

한 줄 요약

이 논문은 뇌 연령 모델링을 위한 확률적 추정 프레임워크를 제안하며, 이는 군집 수준의 차이를 통계적으로 타당한 단일 환자 확률 추정으로 변환하여 가속화된 뇌 노화를 평가한다. 불확실성 인식 딥 네ural 네트워크와 콫라프탈 예측을 통합함으로써, 개인 예측에 대해 통계적으로 타당한 커버리지가 보장되며, 기존 최고 수준의 모델보다 알츠하이머병, 양극성 장애, 중증 우울 장애와 더 강한 연관성을 보인다.

ABSTRACT

The brain-age gap is one of the most investigated risk markers for brain changes across disorders. While the field is progressing towards large-scale models, recently incorporating uncertainty estimates, no model to date provides the single-subject risk assessment capability essential for clinical application. In order to enable the clinical use of brain-age as a biomarker, we here combine uncertainty-aware deep Neural Networks with conformal prediction theory. This approach provides statistical guarantees with respect to single-subject uncertainty estimates and allows for the calculation of an individual's probability for accelerated brain-aging. Building on this, we show empirically in a sample of N=16,794 participants that 1. a lower or comparable error as state-of-the-art, large-scale brain-age models, 2. the statistical guarantees regarding single-subject uncertainty estimation indeed hold for every participant, and 3. that the higher individual probabilities of accelerated brain-aging derived from our model are associated with Alzheimer's Disease, Bipolar Disorder and Major Depressive Disorder.

연구 동기 및 목표

• 뇌 연령을 임상적으로 활용 가능한 생물학적 지표로 전환하기 위해 개인 수준의 불확실성 추정을 제공하기 위해.
• 뇌 연령 격차 예측의 단일 환자 위험 평가에서 통계적 보장이 부족한 문제를 해결하기 위해.
• 군집 수준의 뇌 연령 차이와 개인화된 가속화된 뇌 노화 확률 사이의 격차를 메우기 위해.
• 대규모 코hort(N=16,794)에서 방법을 검증하고 뇌신경정신질환과의 연관성을 입증하기 위해.

제안 방법

• 불확실성 인식 딥 네럴 네트워크와 콕라프탈 예측 이론을 결합하여 유한 표본 통계 커버리지가 보장되는 예측 구간을 생성한다.
• 딥 네럴 네트워크의 출력에 콕라프탈 예측을 적용하여 모든 개인에게 일정 오차율을 보장하는 예측 집합을 생성한다.
• 이 방법은 회귀 결과를 각 개인의 가속화된 뇌 노화 가능성에 대한 확률적 진술로 변환한다.
• 유의수준 α는 예측 집합을 정의하며, 모든 개인의 경우 진짜 뇌 연령 격차가 최소 1−α의 확률로 집합 내에 포함되도록 보장한다.
• 메서드는 NAKO 코hort의 대규모 뇌 영상 데이터셋에서 훈련 및 평가되어 강건성과 일반화 능력을 확보한다.
• 최종 출력은 콕라프탈 예측 구간에서 유도된 개인의 가속화된 뇌 노화 확률을 포함하며, 임상적 위험 분류를 가능하게 한다.

실험 결과

연구 질문

• RQ1 칵라프탈 예측은 뇌 연령 모델링에서 단일 환자 기반의 불확실성 추정에 대해 통계적으로 타당한 커버리지를 제공할 수 있는가?
• RQ2 제안된 방법은 임상적으로 해석 가능한 개인화된 가속화된 뇌 노화 확률을 도출할 수 있는가?
• RQ3 모델에서 유도된 높은 개인의 가속화된 뇌 노화 확률은 알츠하이머병, 양극성 장애 및 중증 우울 장애와 유의미하게 연관되는가?
• RQ4 이 방법은 최고 수준의 대규모 뇌 연령 모델과 유사한 회귀 성능을 달성하면서도 불확실성 정량화를 추가로 제공하는가?

주요 결과

• 모델은 16,794명의 참가자로 구성된 코hort에서 최고 수준의 대규모 뇌 연령 모델과 비교해 낮거나 동일한 회귀 오차를 달성한다.
• 이 방법은 단일 환자 기반의 불확실성 추정에 대해 통계적으로 타당한 커버리지를 제공하며, 지정된 유의수준에서 모든 참가자의 진짜 뇌 연령 격차가 예측 구간 내에 포함됨을 보장한다.
• 모델에서 도출된 가속화된 뇌 노화 확률은 알츠하이머병, 양극성 장애 및 중증 우울 장애 환자에서 유의미하게 높게 나타난다.
• 모델의 불확실성 추정은 잘 校정되어 있으며, 코hort 내 다양한 하위군에서 통계적 타당성을 유지한다.