[논문 리뷰] Functional connectivity patterns of autism spectrum disorder identified by deep feature learning

Hongyoon Choi|arXiv (Cornell University)|2017. 07. 25.

Functional Brain Connectivity Studies인용 수 20

한 줄 요약

이 연구는 자폐성 혼합장애(ASD)의 휴식 상태 fMRI 데이터로부터 다변량 비선형 기능적 연결 패턴을 추출하기 위해 변동형 오토인코더(VAE) 기반의 딥러닝 기반 데이터 드리븐 접근법을 제안한다. 이는 전두엽-편측 피질, 덮개 중앙 전두 피질 및 피질-스트리아탈 연결과 관련된 유의미한 기능적 연결 특징을 규명하며, 이는 지능지수(IQ)와 상관관계가 있으며 기존에 발견되지 않았던 ASD에서의 뇌 네트워크 기능 장애 패턴을 드러낸다.

ABSTRACT

Autism spectrum disorder (ASD) is regarded as a brain disease with globally disrupted neuronal networks. Even though fMRI studies have revealed abnormal functional connectivity in ASD, they have not reached a consensus of the disrupted patterns. Here, a deep learning-based feature extraction method identifies multivariate and nonlinear functional connectivity patterns of ASD. Resting-state fMRI data of 972 subjects (465 ASD 507 normal controls) acquired from the Autism Brain Imaging Data Exchange were used. A functional connectivity matrix of each subject was generated using 90 predefined brain regions. As a data-driven feature extraction method without prior knowledge such as subjects diagnosis, variational autoencoder (VAE) summarized the functional connectivity matrix into 2 features. Those feature values of ASD patients were statistically compared with those of controls. A feature was significantly different between ASD and normal controls. The extracted features were visualized by VAE-based generator which can produce virtual functional connectivity matrices. The ASD-related feature was associated with frontoparietal connections, interconnections of the dorsal medial frontal cortex and corticostriatal connections. It also showed a trend of negative correlation with full-scale IQ. A data-driven feature extraction based on deep learning could identify complex patterns of functional connectivity of ASD. This approach will help discover complex patterns of abnormalities in brain connectivity in various brain disorders.

연구 동기 및 목표

• 기존 선형 방법으로는 포착되지 않는 자폐성 혼합장애(ASD)에서의 복잡한 다변량 기능적 연결 패턴을 규명하기 위해.
• 이전 fMRI 연구에서 ASD 관련 연결 장애에 대한 합의가 부족한 문제를 데이터 드리븐인 비지도 딥러닝 접근법을 통해 해결하기 위해.
• 기존 진단 레이블이나 사전 정의된 네트워크 모델에 의존하지 않고, 기능적 연결 행렬에서 저차원의 의미 있는 특징을 추출하기 위해.
• VAE 기반 생성기로 학습된 특징을 시각화하고 해석하기 위해, 합성 기능적 연결 행렬을 생성하기 위해.
• 규명된 연결 특징과 인지 측정치(예: 전반적 지능지수(IQ)) 간의 관계를 조사하기 위해.

제안 방법

• ABIDE 데이터셋에서 972명의 참가자(ASD 465명, 대조군 507명)의 휴식 상태 fMRI 데이터를 사용하여, 각 참가자의 90개의 사전 정의된 뇌 영역을 기반으로 기능적 연결 행렬을 구축하였다.
• 각 참가자의 연결 행렬에 대해 변동형 오토인코더(VAE)를 적용하여, 비선형적이고 다변량적인 패턴을 포괄하는 2차원의 저차원 연속 잠재 표현을 학습하였다.
• 진단 레이블을 사용하지 않고 비지도 방식으로 VAE를 훈련시켜 기능적 연결 데이터의 내재된 구조를 유지하였다.
• ASD군과 대조군 간의 잠재 특징을 통계적으로 비교하여 유의미한 차이를 규명하였다.
• 학습된 특징을 시각화하기 위해 VAE 기반 생성기를 사용하여, 규명된 ASD 관련 특징의 극단적 값에 해당하는 합성 기능적 연결 행렬을 생성하였다.
• 전반적 지능지수(IQ)와의 상관관계 분 析를 통해 ASD 관련 특징과의 관계를 평가하였다.

실험 결과

연구 질문

• RQ1 데이터 드리븐인 딥러닝 접근법을 통해 ASD에서 다변량 비선형 기능적 연결 패턴을 어떻게 규명할 수 있는가?
• RQ2 규명된 기능적 연결 특징과 가장 강하게 연관된 뇌 네트워크 연결은 무엇인가?
• RQ3 규명된 기능적 연결 특징는 인지 성능, 특히 전반적 지능지수(IQ)와 어떻게 관련되어 있는가?
• RQ4 딥 생성 모델이 ASD 데이터로부터 학습된 기능적 연결 패턴을 효과적으로 시각화하고 해석할 수 있는가?
• RQ5 VAE 기반 특징 추출 방법은 전통적인 단변량 분석을 초월하여 일관되고 생물학적으로 타당한 연결 장애 패턴을 얼마나 잘 드러내는가?

주요 결과

• VAE를 통해 추출한 단일 기능적 연결 특징이 ASD 환자와 정상 대조군 간에 통계적으로 유의미한 차이를 보였다(p < 0.05).
• ASD 관련 특징은 전두엽-편측 연결, 후두부 중앙 전두 피질의 상호 연결, 그리고 피질-스트리아탈 경로와 가장 강하게 연관되어 있었다.
• 규명된 특징는 전반적 지능지수(IQ)와 음의 추세를 보이며, ASD에서 기능적 연결 장애와 인지 능력 간 잠재적 연관성을 시사하였다.
• VAE 기반 생성기가 실제와 유사한 가상의 기능적 연결 행렬을 성공적으로 생성하여, 학습된 특징의 시각적 해석을 가능케 하였다.
• 데이터 드리븐인 딥러닝 접근법은 전통적인 fMRI 연결 분석으로서는 일관되게 감지되지 않은, 복잡한 비선형 연결 패턴을 ASD에서 드러내었다.
• 이 방법은 뇌 네트워크의 구조에 대한 사전 가정 없이도 신경발달 장애에서 미세하고 다변량적인 뇌 기능 이상을 드러내는 잠재력을 보였다.