[논문 리뷰] Machine learning of neuroimaging to diagnose cognitive impairment and dementia: a systematic review and comparative analysis

Enrico Pellegrini, Lucia Ballerini외 12명|arXiv (Cornell University)|2018. 04. 05.

Dementia and Cognitive Impairment Research인용 수 7

한 줄 요약

이 체계적 리뷰는 2006년에서 2016년 사이의 111篇의 연구를 분석하여 신경영상 자료를 이용한 기계학습(ML) 모델이 인지기능 저하 및 치매를 진단하는 데 얼마나 효과적인지 평가한다. 기계학습 모델은 치매의 주요 원인인 알츠하이머병(AD)과 건강한 대조군을 구분하는 데 높은 정확도를 달성하지만, 임상적으로 중요한 구분, 예를 들어 경도인지기능장애(MCI) 대 대조군 또는 MCI 변환자 대 비변환자를 구분하는 데는 성능이 크게 떨어지며, 이는 다중모달 데이터 통합의 향상에도 불구하고 임상적 적용에 한계가 있음을 시사한다.

ABSTRACT

INTRODUCTION: Advanced machine learning methods might help to identify dementia risk from neuroimaging, but their accuracy to date is unclear. METHODS: We systematically reviewed the literature, 2006 to late 2016, for machine learning studies differentiating healthy ageing through to dementia of various types, assessing study quality, and comparing accuracy at different disease boundaries. RESULTS: Of 111 relevant studies, most assessed Alzheimer's disease (AD) vs healthy controls, used ADNI data, support vector machines and only T1-weighted sequences. Accuracy was highest for differentiating AD from healthy controls, and poor for differentiating healthy controls vs MCI vs AD, or MCI converters vs non-converters. Accuracy increased using combined data types, but not by data source, sample size or machine learning method. DISCUSSION: Machine learning does not differentiate clinically-relevant disease categories yet. More diverse datasets, combinations of different types of data, and close clinical integration of machine learning would help to advance the field.

연구 동기 및 목표

• 신경영상 자료를 이용한 기계학습 모델이 인지기능 저하 단계를 구분하는 데 있어 진단 정확도를 평가하는 것.
• 데이터 유형, 표본 크기, 기계학습 방법, 데이터 출처가 모델 성능에 미치는 영향을 평가하는 것.
• 경도인지기능장애(MCI)의 구분 및 MCI에서 치매로의 전환 예측에 있어 현재 연구의 격차를 특정하는 것.
• 신경퇴행성질환에서 다양한 질병 경계에 걸쳐 기계학습 접근법을 비교 분석하는 것.
• 향후 연구를 안내하기 위해 임상 통합에 있어 핵심적 한계점과 기회를 규명하는 것.

제안 방법

• 2006년부터 2016년 말까지의 기간 동안, 인지기능 저하 단계의 신경영상 자료를 분류하기 위해 기계학습을 사용한 연구를 대상으로 체계적 문헌 검토를 수행하였다.
• 연구는 데이터 출처, 영상 촬영 방식(예: T1-가중 영상), 기계학습 알고리즘(예: 서포트 벡터 머신), 데이터 융합 방법 등을 포함한 방법론적 품질을 평가하였다.
• 모델의 진단 정확도를 건강한 대조군 대 비대상자(AD), 대조군 대 MCI, MCI 변환자 대 비변환자 간의 질병 경계에 따라 비교하였다.
• 정확도, 민감도, 특이도 등의 성능 지표를 연구 간 추출 및 분석하였다.
• 다중모달 데이터 통합(예: 구조적, 기능적, 확산 영상)이 모델 성능에 미치는 영향을 평가하였다.
• 모델가 미세한 초기 단계의 인지기능 저하를 탐지할 수 있는지 평가함으로써 임상적 관련성을 강조하였다.

실험 결과

연구 질문

• RQ1 신경영상 자료를 이용한 기계학습 모델이 건강한 노화와 알츠하이머병을 구분하는 데 있어 진단 정확도는 어떠한가?
• RQ2 모델 성능은 경도인지기능장애(MCI) 대 대조군 또는 MCI 변환자 대 비변환자와 같은 다양한 임상적 경계에서 어떻게 변할까?
• RQ3 데이터 유형, 표본 크기, 기계학습 알고리즘 또는 데이터 출처가 모델 정확도에 얼마나 영향을 미치는가?
• RQ4 단일 모odal 접근법에 비해 여러 신경영상 모달리티를 융합하면 진단 성능이 향상되는가?
• RQ5 현재 기계학습 모델이 인지기능 저하의 조기 진단에 임상적으로 유용하지 않은 데에 기여하는 주요 한계는 무엇인가?

주요 결과

• 알츠하이머병과 건강한 대조군을 구분하는 데 가장 높은 진단 정확도를 기록하였으며, 많은 연구에서 90% 이상의 정확도를 보고하였다.
• 경도인지기능장애(MCI)와 건강한 대조군 또는 MCI 변환자와 비변환자를 구분하는 데 성능이 크게 떨어져 조기 진단에 대한 임상적 유용성이 제한됨을 시사한다.
• 다양한 신경영상 모달리티(예: T1, T2, 확산, 기능적 MRI)를 통합한 데이터 통합은 단일 영상 시퀀스 접근법에 비해 모델 정확도를 향상시켰다.
• 더 큰 표본 크기, 더 고급 기계학습 방법, 또는 ADNI와 같은 특정 데이터 출처의 사용 여부와 관계없이 정확도 향상이 유의미하게 관찰되지 않았다.
• 서포트 벡터 머신(SVMs)과 T1-가중 영상이 각각 가장 흔하게 사용된 알고리즘과 영상 시퀀스였다.
• 이 리뷰는 현재 기계학습 모델가 임상적으로 중요한 질병 경계에서 충분한 정밀도를 확보하지 못하고 있으며, 더 다양한 데이터셋과 임상 통합의 필요성을 강조한다.