[논문 리뷰] Learning Neural Markers of Schizophrenia Disorder Using Recurrent Neural Networks

Jumana Dakka, Pouya Bashivan외 4명|arXiv (Cornell University)|2017. 12. 01.

Functional Brain Connectivity Studies참고 문헌 15인용 수 40

한 줄 요약

이 논문은 전체 뇌 4D fMRI 데이터에서 공간적 및 시간적 패턴을 동시에 모델링하는 순환-합성 신경망(R-CNN)을 제안하며, 정신분열증을 위한 신경 마커를 자동으로 학습하여 66.4%의 분류 정확도를 달성한다. 이는 기준 모델들을 크게 능가하며, 정신의학 진단을 위한 엔드 투 엔드 딥 러닝의 잠재력을 보여준다.

ABSTRACT

Smart systems that can accurately diagnose patients with mental disorders and identify effective treatments based on brain functional imaging data are of great applicability and are gaining much attention. Most previous machine learning studies use hand-designed features, such as functional connectivity, which does not maintain the potential useful information in the spatial relationship between brain regions and the temporal profile of the signal in each region. Here we propose a new method based on recurrent-convolutional neural networks to automatically learn useful representations from segments of 4-D fMRI recordings. Our goal is to exploit both spatial and temporal information in the functional MRI movie (at the whole-brain voxel level) for identifying patients with schizophrenia.

연구 동기 및 목표

• fMRI를 이용한 정신분열증 진단을 위해 수작업으로 설계된 특징을 회피하는 데이터 기반 딥 러닝 접근법을 개발하는 것.
• fMRI 시간 시리즈에서 뇌 볼륨 간의 공간적 관계와 시간적 동역학을 활용하여 진단 성능을 향상시키는 것.
• 정신질환 분류를 위한 fMRI 데이터에서의 시공간 패턴을 포착하는 데에 순환-합성 아키텍처의 효과를 평가하는 것.
• 전통적인 기계학습 모델과 비교하여 R-CNN 및 LSTM의 성능을 정신분열증 환자 및 건강한 대조군의 fMRI 데이터에서 평가하는 것.

제안 방법

• 3D 합성 신경망(CNN)이 fMRI 데이터의 각 시간 포인트에서 볼륨 간 공간적 특징을 처리한다.
• CNN의 출력은 시간 창 간의 시간적 의존성을 모델링하기 위해 장단기 기억(LSTM) 유닛의 스택에 입력된다.
• 모델은 FBIRN 데이터셋에서의 사전 처리된 fMRI 데이터를 엔드 투 엔드로 훈련하며, 입력으로 64개의 시간 포인트 창(128초)을 사용한다.
• 데이터 사전 처리에는 볼륨 및 시간 기반 평균 제거, 전역 표준화, 개별 환자별 z-스코링이 포함되어 활성화 수준을 정규화한다.
• 5개의 교차 검증 폴드 전략을 통해 훈련, 검증, 테스트에 사용되는 환자 집합이 상호 배타적이게 유지되며, 검증 성능 기반 조기 정지 기법을 적용한다.
• 창 크기(16 및 64개의 시간 포인트)와 네트워크 깊이(합성층 수)를 변화시켜 아키텍처를 평가한다.

실험 결과

연구 질문

• RQ1 순환-합성 신경망은 원시 fMRI 데이터로부터 시공간 표현을 효과적으로 학습하여 정신분열증 환자와 건강한 대조군을 구분할 수 있는가?
• RQ2 fMRI 기반 정신분열증 분류에서 엔드 투 엔드 딥 러닝 모델의 성능는 기존 수작업으로 설계된 특징(예: 기능적 연결성)과 비교해 어떻게 되는가?
• RQ3 fMRI 입력의 시간 창 크기를 늘리면 R-CNN 및 LSTM 모델의 분류 정확도가 향상되는가?
• RQ4 예를 들어 CNN의 깊이 또는 LSTM 레이어 수와 같은 다양한 아키텍처 선택이 fMRI 데이터에서의 모델 성능에 어떤 영향을 미치는가?

주요 결과

• 최고의 성능을 보인 모델은 2층 아키텍처를 가진 LSTM로, 64개의 시간 포인트 창에서 테스트 정확도 66.4%를 기록하였으며, 기준 모델(57.89%)과 선형 SVM(57.9%)보다 유의미하게 뛰어났다.
• 2개의 합성층과 1개의 LSTM을 포함한 R-CNN 모델은 64개의 시간 포인트 창에서 63.3%의 정확도를 달성하여 장기간 시퀀스에서 강력한 성능를 보였다.
• R-CNN 모델의 경우 창 크기를 16에서 64로 늘였을 때 정확도가 1.8% 향상되었고, LSTM 모델의 경우 6% 이상 향상되어 시간적 맥락이 매우 중요함을 시사했다.
• 더 깊은 R-CNN 아키텍처(예: 2-2-1)는 성능 향상에 기여하지 않았고 오차는 약간 증가시켜 깊이 증가에 따른 수익 감소 현상을 보였다.
• 더 긴 창에서 LSTM 모델은 R-CNN 모델보다 약 1% 높은 성능를 보이며 이 설정에서 더 나은 시간적 모델링 능력을 지녔음을 시사했다.
• 딥 러닝 모델은 전통적 방법을 능가했지만, 수작업으로 설계된 기능적 연결성 특징을 사용한 74%의 정확도에는 못 미쳤으며, 더 큰 데이터셋 또는 데이터 증강 기법을 통해 향상 가능성이 있음을 시사했다.