[논문 리뷰] Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning

Li Pan, Jundong Liu외 3명|ArXiv.org|2021. 09. 19.

Autism Spectrum Disorder Research참고 문헌 52인용 수 8

한 줄 요약

이 논문은 fMRI 데이터로부터 자폐성 장애(ASD) 진료를 향상시키기 위해 개인별 인지 기반 다운샘플링과 다중 모odal 학습을 통합한 그래프 기반 딥러닝 프레임워크를 제안한다. 뇌 기능을 계층적 그래프로 모델링하고, 그래프 풀링 및 GCN을 적용하여 기능적 연결성과 지역적 활동을 동시에 포착하면서도 임상적 이질성을 고려함으로써, ABIDE-I 데이터셋에서 87.62%의 정확도와 0.92의 AUC를 달성하여 최신 기술들을 능가한다.

ABSTRACT

Autism Spectrum Disorder(ASD) is a set of neurodevelopmental conditions that affect patients' social abilities. In recent years, many studies have employed deep learning to diagnose this brain dysfunction through functional MRI (fMRI). However, existing approaches solely focused on the abnormal brain functional connections but ignored the impact of regional activities. Due to this biased prior knowledge, previous diagnosis models suffered from inter-site measurement heterogeneity and inter-individual phenotypic differences. To address this issue, we propose a novel feature extraction method for fMRI that can learn a personalized lower-resolution representation of the entire brain networking regarding both the functional connections and regional activities. Specifically, we abstract the brain imaging as a graph structure and straightforwardly downsample it to substructures by hierarchical graph pooling. To further recalibrate the distribution of the extracted features under phenotypic information, we subsequently embed the sparse feature vectors into a population graph, where the hidden inter-subject heterogeneity and homogeneity are explicitly expressed as inter- and intra-community connectivity differences, and utilize Graph Convolutional Networks to learn the node embeddings. By these means, our framework can extract features directly and efficiently from the entire fMRI and be aware of implicit inter-individual variance. We have evaluated our framework on the ABIDE-I dataset with 10-fold cross-validation. The present model has achieved a mean classification accuracy of 87.62\% and a mean AUC of 0.92, better than the state-of-the-art methods.

연구 동기 및 목표

• 기능적 연결성에만 초점을 맞추며 지역적 뇌 활동을 忽시하는 기존 fMRI 기반 ASD 진료 방법의 한계를 해결하기 위해.
• fMRI 기반 ASD 분류에서의 사이트 간 측정 이질성과 개인 간 임상적 이질성을 감소시키기 위해.
• 개별화된 그래프 구조적 표현에서 동시에 기능적 연결과 지역적 활동을 모델링하는 통합형 엔드 투 엔드 프레임워크를 개발하기 위해.
• 모델의 강건성과 일반화 능력을 향상시키기 위해 비영상 임상적 정보(예: 성별, 연령, 사이트)를 모델에 통합하기 위해.
• ABIDE-I fMRI 데이터셋에서 최신 기술들에 비해 뛰어난 성능을 보여주기 위해.

제안 방법

• 뇌는 노드가 뇌 영역을 나타내고, 간선이 fMRI 시간 시리즈 데이터에서 유도된 기능적 연결을 나타내는 그래프로 모델링된다.
• 자기주의 주의 기반 그래프 풀링 메커니즘이 계층적 다운샘플링을 수행하여 기능적 연결성과 지역적 활동을 유지하는 개인 맞춤형 저해상도 뇌 서브그래프를 생성한다.
• 풀링된 서브그래프는 상호 및 내부 커뮤니티 연결 패턴이 개인 간 및 개인 내 이질성을 반영하는 인구 집단 그래프에 통합된다.
• 그래프 컨volution 네트워크(GCNs)가 임상적 정보를 사용하여 특징 분포를 재조정하는 데 적용된다.
• 다층 퍼셉트론(MLP)이 GCN이 학습한 노드 임베딩을 기반으로 환자를 ASD 또는 대조군으로 분류한다.
• 프레임워크는 ABIDE-I 데이터셋에서 10겹 교차 검증을 사용하여 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 기능적 연결성과 지역적 뇌 활동을 동시에 모델링하는 그래프 기반 프레임워크가 ASD 진료 정확도를 향상시킬 수 있는가?
• RQ2 그래프 풀링을 통한 개인별 인지 기반 다운샘플링이 fMRI 데이터에서 개인 간 변동성과 사이트 간 이질성의 영향을 얼마나 효과적으로 줄일 수 있는가?
• RQ3 그래프 컨volution 네트워크가 성별, 연령, 사이트 등의 임상적 정보를 얼마나 잘 통합하여 특징 학습을 정규화하고 모델의 강건성을 향상시킬 수 있는가?
• RQ4 제안된 방법이 ABIDE-I fMRI 데이터셋에서 분류 정확도와 AUC 측면에서 기존 최신 기술들을 능가하는가?
• RQ5 인구 집단 그래프에서 학습된 노드 임베딩이 성별 또는 연령과 같은 임상적 특성에 해당하는 의미 있는 군집 패턴을 드러내는가?

주요 결과

• 제안된 프레임워크는 ABIDE-I 데이터셋에서 평균 분류 정확도 87.62% ± 0.06과 평균 AUC 0.92 ± 0.01을 달성하여 최신 기술들을 능가했다.
• 그래프 컨volution 네트워크(GCN) 분류기는 더 낮은 표준편차(정확도 0.027, AUC 0.0037)를 보이며 더 뛰어난 강건성을 보였다. 로지스틱 회귀보다.
• GCN은 더 많은 훈련 에포크(76,169 에포크 대비 625)가 필요로 하였지만, 86.07%의 정확도와 0.93의 AUC로 더 높은 성능을 보였다.
• GCN가 학습한 노드 임베딩의 t-SNE 시각화에서 성별에 따라 뚜렷한 군집 패턴이 드러나, 개인 간 차이를 효과적으로 포착한 것으로 나타났다.
• 모델의 성능은 모든 폴드에서 안정적이었으며, 정확도와 AUC의 변동성이 낮아 강력한 일반화 능력과 강건성을 보였다.
• 인구 집단 그래프에 임상적 정보를 통합함으로써 특징 재조정이 향상되고, 특히 사이트 간 이질성 처리에 있어 모델의 일반화 능력이 향상되었다.