[논문 리뷰] iPAL: A Machine Learning Based Smart Healthcare Framework For Automatic Diagnosis Of Attention Deficit/Hyperactivity Disorder (ADHD)

Abhishek Sharma, Arpit Jain외 4명|arXiv (Cornell University)|2023. 02. 01.

EEG and Brain-Computer InterfacesNeuroscience인용 수 3

한 줄 요약

이 논문은 체질적 데이터(비선형성 분류기, SVM)와 휴식 상태 fMRI 데이터(신경망)를 조합하는 새로운 앙상블 기계학습 프레임워크인 iPAL을 제안한다. 이는 정확하고 자동화된 ADHD 진단을 가능하게 한다. ADHD200 데이터셋의 400명의 대상자에서 92.5%의 정확도를 달성하였으며, 체질적 SVM는 99.16%의 정확도를, fMRI 기반 신경망은 86.67%의 정확도를 기록하였다. 이는 원격으로도 확장 가능하고, 임상 진단에 적합한 강력한 잠재력을 보여준다.

ABSTRACT

ADHD is a prevalent disorder among the younger population. Standard evaluation techniques currently use evaluation forms, interviews with the patient, and more. However, its symptoms are similar to those of many other disorders like depression, conduct disorder, and oppositional defiant disorder, and these current diagnosis techniques are not very effective. Thus, a sophisticated computing model holds the potential to provide a promising diagnosis solution to this problem. This work attempts to explore methods to diagnose ADHD using combinations of multiple established machine learning techniques like neural networks and SVM models on the ADHD200 dataset and explore the field of neuroscience. In this work, multiclass classification is performed on phenotypic data using an SVM model. The better results have been analyzed on the phenotypic data compared to other supervised learning techniques like Logistic regression, KNN, AdaBoost, etc. In addition, neural networks have been implemented on functional connectivity from the MRI data of a sample of 40 subjects provided to achieve high accuracy without prior knowledge of neuroscience. It is combined with the phenotypic classifier using the ensemble technique to get a binary classifier. It is further trained and tested on 400 out of 824 subjects from the ADHD200 data set and achieved an accuracy of 92.5% for binary classification The training and testing accuracy has been achieved upto 99% using ensemble classifier.

연구 동기 및 목표

• 임상의사에 의존하는 평가에 의존도를 줄이고, 확장 가능한 자동 진단 시스템을 개발하기 위해.
• 체질적 정보와 기능적 MRI(fMRI) 스캔 등의 다중 모odal 데이터를 통합하여 진단 정확도를 향상시키기 위해.
• 기존 ADHD 진단의 한계를 해결하기 위해, 다른 신경발달 장애와의 증상 겹침으로 인한 오진을 줄이기 위해.
• 클라우드 호스팅된 지능형 헬스케어 프레임워크를 통해 원격 및 실시간 진단을 가능하게 하여, 접근성이 낮은 인구 집단에 적합한 솔루션을 제공하기 위해.
• ADHD200와 같은 대규모 공개 데이터셋에서 프레임워크를 검증하고, 데이터 전처리 및 특징 공학을 통해 강건성을 확보하기 위해.

제안 방법

• 데이터 정제 후 505명의 체질적 데이터와 400명의 fMRI 데이터를 포함한 ADHD200 데이터셋을 활용하였다.
• 체질적 데이터에 대해 다중 분류 및 이진 분류를 위해 라디얼 기저 함수(RBF) 커널을 사용한 서포트 벡터 머신(SVM)을 적용하였다.
• nilearn 라이브러리를 사용하여 휴식 상태 fMRI(rs-fMRI) 데이터에서 유도된 기능적 연결 행렬을 기반으로 딥 네ural 네트워크를 훈련하였으며, 이후 커스텀 클라우드 호스팅 파이프라인을 통해 400명의 대상자로 확장하였다.
• 소음을 줄이고 모델 일반화 능력을 향상시키기 위해 fMRI에 대해 meanFD와 DVARS, 운동 보정을 위한 RMSFD 등의 특징 선택 기법을 적용하였다.
• 체질적 데이터에 대한 SVM 분류기와 fMRI에 대한 신경망 분류기를 동일한 가중치를 가진 앙상블 평균 기법을 통해 조합하여 최종 이진 분류를 수행하였다.
• 10겹 교차 검증을 사용하여 모델을 검증하였으며, 테스트 분할에서 정확도, 정밀도, F1 점수 등의 성능 지표를 보고하였다.

실험 결과

연구 질문

• RQ1 체질적 데이터와 fMRI 데이터를 조합한 기계학습 앙상블이 단일 모odal 접근 방식보다 ADHD 진단 정확도를 유의미하게 향상시킬 수 있는가?
• RQ2 ADHD를 분류하는 데서 체질적 데이터에 대한 SVM의 성능이 다른 지도 학습 모델들(예: 로지스틱 회귀, KNN, AdaBoost)과 비교해 어떻게 다른가?
• RQ3 fMRI에서 유도된 기능적 연결 데이터를 기반으로 훈련된 딥 네ural 네트워크가 사전 신경과학 지식 없이도 높은 진단 정확도를 달성할 수 있는가?
• RQ4 체질적 데이터와 뇌영상 데이터를 앙상블 학습을 통해 통합하면, 단독으로 사용할 경우보다 더 강건하고 일반화 능력이 뛰어난 진단이 가능한가?
• RQ5 프레임워크는 더 큰 데이터셋으로 확장 가능할 수 있으며, 높은 성능을 유지할 수 있는가? 데이터 표준화 및 노이즈 감소 과정에서의 과제는 무엇인가?

주요 결과

• 체질적 데이터에 대한 SVM 분류기는 동일한 데이터셋에서 로지스틱 회귀, KNN, AdaBoost, 랜덤 포레스트보다 뛰어난 99.16%의 정확도를 기록하였다.
• fMRI 데이터에 대한 딥 네ural 네트워크는 400명의 fMRI 데이터 서브셋에서 86.67%의 정확도를 달성하였으며, 초기 데이터가 제한적(40명)이었음에도 강력한 성능을 보였다.
• 체질적 SVM와 fMRI 신경망을 조합한 앙상블 모델은 동일한 가중치를 적용하여 92.5%의 정확도를 기록하였으며, 개별 모델보다 상호 보완적인 성능 향상을 보였다.
• 앙상블 모델은 훈련 정확도 99%와 테스트 정확도 92.5%를 기록하여 강력한 일반화 능력과 낮은 과적합 현상을 보였다.
• 앙상블 모델은 정밀도 100%와 F1 점수 99%를 기록하여, 양성 및 음성 예측 모두에서 매우 높은 신뢰성을 확인하였다.
• 본 연구는 체질적 데이터만으로도 매우 정확한 진단 신호를 제공할 수 있음을 확인하였으며, 적절히 전처리하고 통합된 fMRI 데이터는 보완적인 예측 능력을 추가로 제공함을 입증하였다.