[논문 리뷰] Machine Learning Applications on Neuroimaging for Diagnosis and Prognosis of Epilepsy: A Review

Jie Yuan, Xuming Ran외 5명|arXiv (Cornell University)|2021. 02. 05.

EEG and Brain-Computer Interfaces인용 수 4

한 줄 요약

이 리뷰는 뇌전증 신경영상 진단 및 예후 평가에 응용된 기계학습 기술을 종합적으로 분석한다. 주로 MRI, DWI, fMRI, PET를 대상으로 하며, 전통적 기계학습(특징 엔지니어링 포함)과 딥러닝(CNN, 오토에인코더 등)을 비교 분석하여 분할, 국소화, 측면화, 임상 예측 등에 기여하는 바를 밝히며, 데이터 불균형, 이질성, 모델 해석 가능성 등의 과제를 다루어 컴퓨터 지원 뇌전증 치료의 발전에 기여한다.

ABSTRACT

Machine learning is playing an increasingly important role in medical image analysis, spawning new advances in the clinical application of neuroimaging. There have been some reviews on machine learning and epilepsy before, and they mainly focused on electrophysiological signals such as electroencephalography (EEG) and stereo electroencephalography (SEEG), while neglecting the potential of neuroimaging in epilepsy research. Neuroimaging has its important advantages in confirming the range of the epileptic region, which is essential in presurgical evaluation and assessment after surgery. However, it is difficult for EEG to locate the accurate epilepsy lesion region in the brain. In this review, we emphasize the interaction between neuroimaging and machine learning in the context of epilepsy diagnosis and prognosis. We start with an overview of epilepsy and typical neuroimaging modalities used in epilepsy clinics, MRI, DWI, fMRI, and PET. Then, we elaborate two approaches in applying machine learning methods to neuroimaging data: i) the conventional machine learning approach combining manual feature engineering and classifiers, ii) the deep learning approach, such as the convolutional neural networks and autoencoders. Subsequently, the application of machine learning on epilepsy neuroimaging, such as segmentation, localization, and lateralization tasks, as well as tasks directly related to diagnosis and prognosis are looked into in detail. Finally, we discuss the current achievements, challenges, and potential future directions in this field, hoping to pave the way for computer-aided diagnosis and prognosis of epilepsy.

연구 동기 및 목표

• 기계학습과 뇌전증 신경영상 간 격차를 해소하기 위해 현재의 응용 사례와 한계를 검토한다.
• EEG에 비해 신경영상, 특히 발작의 원인이 되는 병변의 국소화에 있어 임상적 가치를 강조한다.
• 신경영상 데이터 분석에서 전통적 기계학습(특징 엔지니어링 + 분류기)과 딥러닝(CNN, 오토에인코더 포함)의 비교를 수행한다.
• 데이터 불균형, 영상 이질성, 임상 적용 시 모델의 해석 가능성 부족 등의 주요 과제를 규명한다.
• 미래 연구 방향으로는 데이터 증강을 위한 생성 모델과 비유클리드 신경영상 데이터를 위한 그래프 신경망을 제안한다.

제안 방법

• MRI, DWI, fMRI, PET 영상 모odalities를 활용한 뇌전증 신경영상 분야의 기계학습 응용에 대한 체계적 리뷰를 수행한다.
• 방법을 두 가지 유형으로 분류한다: 전통적 기계학습(수작업 특징 추출 후 SVM, 랜덤 포레스트 등의 분류기 적용)과 딥러닝(모든 과정을 통합적으로 학습하는 CNN 및 오토에인코더 기반 접근).
• 데이터 불균형과 노이즈가 많은 레이블 문제를 해결하기 위해 생성적 적대 신경망(GANs)과 가능도 기반 모델(Variational Autoencoders, Pixel CNN, Glow 등)을 활용한 데이터 증강 및 이상치 탐지 기법을 적용한다.
• BOLD 신호나 DWI에서 유도된 백색질 트랙과 같은 비유클리드 신경영상 데이터를 모델링하기 위해 그래프 컨볼루션 네트워크(GCNs)를 탐색한다.
• 이질적인 환자 집단에서 일반화 성능을 향상시키기 위해 베이지안 비모수 모델과 제한된 볼츠만 기계를 활용한다.
• 임상 및 영상 데이터를 기반으로 분할, 국소화, 측면화, 진단, 예후 예측 등의 과제에서 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 기존 EEG 기반 방법에 비해 기계학습은 신경영상에서 발작의 원인이 되는 병변의 국소화 정확도와 신뢰성을 어떻게 향상시킬 수 있는가?
• RQ2 뇌전증 특화 신경영상 데이터 분석에서 전통적 기계학습과 딥러닝의 상대적 강점과 한계는 무엇인가?
• RQ3 기계학습 모델은 뇌전증 영상 데이터셋의 데이터 불균형과 이질성 문제를 어떻게 해결할 수 있는가?
• RQ4 해석 가능한 인공지능 및 이상치 탐지 기법은 뇌전증 치료 분야에서 기계학습 모델의 신뢰도 향상과 임상적 도입을 어떻게 지원하는가?
• RQ5 신경영상의 복잡한 비유클리드 구조를 모델링하는 데 유망한 신규 기계학습 아키텍처(GCNs, GANs 등)는 무엇인가?

주요 결과

• MRI, fMRI, PET와 같은 신경영상 모odalities는 특히 수술 전 평가에서 발작의 원인이 되는 병변의 범위와 크기를 확인하는 데 핵심적인 역할을 하며, 공간적 국소화 능력에서 EEG를 능가한다.
• 신경영상에서 발작의 원인이 되는 병변이 명확하게 관찰될 경우, 근본적 수술 후 발작 자유 생존 확률이 2~3배 증가함을 확인하여 정확한 영상 분석의 임상적 가치를 입증한다.
• 수작업 특징 엔지니어링과 분류기(SVM 등)를 조합한 전통적 기계학습 방법은 분할, 국소화, 측면화 과제에서 뛰어난 성능을 보인다.
• 딥러닝 모델, 특히 CNN과 오토에인코더는 원시 신경영상 데이터로부터 엔드 투 엔드 학습을 가능하게 하여 특징 표현과 진단 정확도를 향상시킨다.
• GAN과 VAE와 같은 생성 모델은 희귀 뇌전증 유형(예: 운동 피질 뇌전증)의 데이터 증강을 통해 데이터 불균형 문제를 완화하고 분류 편향을 줄일 수 있다.
• 가능도 기반 생성 모델과 OOD(Out-of-Distribution) 탐지 기법은 노이즈가 많은 또는 비정상적인 입력에 대한 강건성을 향상시켜 임상 환경에서의 모델 신뢰도를 제고한다.