[논문 리뷰] Machine Learning on Human Connectome Data from MRI

Colin J. Brown, Ghassan Hamarneh|arXiv (Cornell University)|2016. 11. 26.

Functional Brain Connectivity Studies참고 문헌 16인용 수 48

한 줄 요약

이 논문은 MRI 유도 인간 연결망 데이터에 대한 기계학습 응용을 검토하며, 임상 결과 예측 및 뇌 서브네트워크 식별을 위한 방법을 분석하기 위해 77篇의 연구를 통합한다. 고차원적 소형 표본 크기 문제와 같은 과제를 부각하고, 네트워크 구조 데이터에 특화된 특징 공학 및 학습 모델을 평가하며, 임상 번역을 촉진하기 위해 다중모odal 통합과 표준화된 오픈 데이터셋을 지지한다.

ABSTRACT

Functional MRI (fMRI) and diffusion MRI (dMRI) are non-invasive imaging modalities that allow in-vivo analysis of a patient's brain network (known as a connectome). Use of these technologies has enabled faster and better diagnoses and treatments of neurological disorders and a deeper understanding of the human brain. Recently, researchers have been exploring the application of machine learning models to connectome data in order to predict clinical outcomes and analyze the importance of subnetworks in the brain. Connectome data has unique properties, which present both special challenges and opportunities when used for machine learning. The purpose of this work is to review the literature on the topic of applying machine learning models to MRI-based connectome data. This field is growing rapidly and now encompasses a large body of research. To summarize the research done to date, we provide a comparative, structured summary of 77 relevant works, tabulated according to different criteria, that represent the majority of the literature on this topic. (We also published a living version of this table online at http://connectomelearning.cs.sfu.ca that the community can continue to contribute to.) After giving an overview of how connectomes are constructed from dMRI and fMRI data, we discuss the variety of machine learning tasks that have been explored with connectome data. We then compare the advantages and drawbacks of different machine learning approaches that have been employed, discussing different feature selection and feature extraction schemes, as well as the learning models and regularization penalties themselves. Throughout this discussion, we focus particularly on how the methods are adapted to the unique nature of graphical connectome data. Finally, we conclude by summarizing the current state of the art and by outlining what we believe are strategic directions for future research.

연구 동기 및 목표

• MRI 기반 인간 연결망 데이터에 기계학습을 적용하는 연구의 증가 추세를 체계적으로 검토하고 통합한다.
• 연결망 네트워크의 고유한 위상적 구조에 적합한 주요 기계학습 접근법, 특징 선택/추출 기법, 정규화 전략을 식별하고 비교한다.
• N ≪ M(스캔 수 ≪ 특징 수)인 연결망 연구에서 흔한 고차원적 소형 표본 크기(HDSSS) 문제를 다룬다.
• 구조적(dMRI) 및 기능적(fMRI) 연결망을 통합하는 다중모달 통합과 같은 미사용된 기계학습 프레임워크를 탐색한다.
• 동적이고 살아있는 참조 표를 온라인으로 운영함으로써 데이터 표준화, 개방형 협업, 공동체 기반 업데이트를 촉진한다.

제안 방법

• MRI 연결망 데이터에 대한 기계학습 분야의 관련 연구 77편에 대해 비교적 체계적인 검토를 수행하였다.
• 데이터 모odal리티(예: fMRI, dMRI, 또는 둘 다), 학습 과제(예: 분류, 회귀), 특징 표현(예: 간선 가중치, 그래프 통계) 및 모델 아키텍처 기반으로 연구를 분류하였다.
• 그래프 기반 특징(예: 차수, 군집 계수) 및 네트워크 위상에 맞춘 변환 기법을 포함한 특징 공학 접근법을 평가하였다.
• HDSSS 환경에서 과적합을 완화하기 위해 정규화 기법(예: L1, L2, 그래프 라플라시안 기반 페널티)을 분석하였다.
• 선형 분류기, 서포트 벡터 머신, 랜덤 포레스트, 그래프 구조 데이터에 적합한 딥러닝 아키텍처를 포함한 학습 모델을 탐색하였다.
• 지속적으로 업데이트되는 문헌 검토를 위해 http://connectomelearning.cs.sfu.ca/ 에서 운영되는 동적 온라인 표를 제안하였다.

실험 결과

연구 질문

• RQ1 MRI 기반 연결망 데이터로부터 임상 결과를 예측하기 위해 가장 효과적인 기계학습 모델과 특징 공학 전략는 무엇인가?
• RQ2 다양한 정규화 및 학습 프레임워크는 연결망 연구에서 흔한 고차원적 소형 표본 크기(HDSSS) 문제를 어떻게 해결하는가?
• RQ3 구조적(dMRI) 및 기능적(fMRI) 연결망 데이터를 기계학습 모델에 통합할 때의 장점과 한계는 무엇인가?
• RQ4 구조적 예측 모델은 어떻게 연결망 데이터에 적용되어 서브네트워크나 행동 상태와 같은 복잡한 출력을 예측할 수 있는가?
• RQ5 오픈형, 표준화된, 공동체가 유지 관리하는 데이터셋과 벤치마크는 연결망 기반 기계학습 모델의 임상 번역을 어떻게 촉진할 수 있는가?

주요 결과

• 연구들 간의 중앙값 스캔 수(N)는 59이며, 중앙값 특징 수(M)는 2,850으로, N ≪ M인 전형적인 HDSSS 문제를 확인한다.
• HDSSS 문제의 보편성에도 불구하고, 과적합을 완화하기 위해 고도의 정규화나 특징 선택을 적용한 연구는 소수에 불과하다.
• 대부분의 연구가 dMRI 데이터가 존재함에도 불구하고 fMRI 데이터만을 사용하고 있어, 구조적 연결 정보의 활용이 부족한 것으로 나타났다.
• 구조적 예측을 탐색한 연구는 소수에 그쳐, 연결망에서 복잡하고 구조적인 출력을 모델링하기 위한 향후 연구 기회가 뚜렷하다.
• 다중모달 연결망 데이터 통합(dMRI + fMRI)은 의미 있는 생물학적 차이를 드러내며, 일부 사례에서는 예측 성능 향상을 이룬다.
• 저자들은 지속적으로 업데이트되는 공동체 기여형 온라인 표를 개발하고 유지 관리하고 있으며, 이는 분야 내 지속적인 연구를 위한 살아있는 참고 자료로 기능한다.