[논문 리뷰] Models of Disease Spectra

Iead Rezek, Christian F. Beckmann|arXiv (Cornell University)|2012. 07. 19.

Gaussian Processes and Bayesian Inference참고 문헌 25인용 수 3

한 줄 요약

이 논문은 알츠하이머병(AD) 진행 동안 뇌 활성화의 연속 스펙트럼을 모델링하기 위해 가우시안 프로세스(GP) 회귀를 제안한다. 신경심리 검사 점수(MMSE, ACE 등)를 연속형 입력으로 사용하여 fMRI 표현형을 직접적으로 모델링함으로써, 관측되지 않은 행동 상태에서 고해상도의 불확실성 인식 예측을 제공하며, 신경 기능의 비선형 패턴을 드러내고 예측 신뢰도를 향상시키기 위한 최적의 학습 데이터 포인트를 식별한다.

ABSTRACT

Case vs control comparisons have been the classical approach to the study of neurological diseases. However, most patients will not fall cleanly into either group. Instead, clinicians will typically find patients that cannot be classified as having clearly progressed into the disease state. For those subjects, very little can be said about their brain function on the basis of analyses of group differences. To describe the intermediate brain function requires models that interpolate between the disease states. We have chosen Gaussian Processes (GP) regression to obtain a continuous spectrum of brain activation and to extract the unknown disease progression profile. Our models incorporate spatial distribution of measures of activation, e.g. the correlation of an fMRI trace with an input stimulus, and so constitute ultra-high multi-variate GP regressors. We applied GPs to model fMRI image phenotypes across Alzheimer's Disease (AD) behavioural measures, e.g. MMSE, ACE etc. scores, and obtained predictions at non-observed MMSE/ACE values. The overall model confirmed the known reduction in the spatial extent of activity in response to reading versus false-font stimulation. The predictive uncertainty indicated the worsening confidence intervals at behavioural scores distance from those used for GP training. Thus, the model indicated the type of patient (what behavioural score) that would need to included in the training data to improve models predictions.

연구 동기 및 목표

• 질병 단계를 이산화하고 데이터를 그룹화함으로써 정보 손실이 발생하는 전통적인 사례-대조 fMRI 연구의 한계를 극복하기 위해.
• MMSE 및 ACE와 같은 신경심리학적 마커를 연속 함수로 뇌 활성화를 모델링하여 알츠하이머병 진행의 진정한 스펙트럼을 반영하기 위해.
• 미래의 데이터 수집 및 코hort 설계를 위한 모델 신뢰도 향상을 위해 예측 불확실성 추정치를 제공하기 위해.
• 보통의 GP 회귀 프레임워크를 뒤집어, 뇌 기능을 행동 점수로부터 예측함으로써 임상적 기능 저하의 신경생리학적 원인을 밝혀내기 위해.
• 皮질 전역에서 뇌 활성화 패턴과 관련된 가장 관련성이 높은 행동 마커를 영역별로 식별할 수 있도록 하기 위해.

제안 방법

• 저차원 행동 점수(MMSE, ACE 등)를 연속 함수로 사용하여 고차원 fMRI 영상 표현형을 모델링하기 위해 가우시안 프로세스 회귀를 적용한다.
• 전체 뇌에서 행동 마커와 뇌 활성화 간의 매끄럽고 비선형적 의존성을 포착하기 위해 제곱지수 커널을 적용한다.
• 작은 표본 크기(N=15)로 인해 이론적으로 편향이 있는 것으로 알려진 리브-원-아웃 교차검증을 사용하여 모델 검증을 수행한다.
• 질병 단계의 정보 손실을 초래하는 이산화를 방지하기 위해 신경심리학적 점수를 연속형 독립 변수로 간주한다.
• 미래의 행동 점수에 대해 예측 분포와 불확실성 구간을 제공하기 위해 베이지안 추론을 활용한다.
• 선형 및 비선형 GP 모델을 비교하여 뇌 영역별 질병 진행의 형태를 평가한다.

실험 결과

연구 질문

• RQ1 fMRI 표현형은 어떻게 이산적인 질병 그룹이 아닌 연속적인 신경심리학적 행동 점수의 함수로 모델링할 수 있는가?
• RQ2 MMSE 및 ACE 점수에 비추어 볼 때, 뇌 활성화 변화의 형태는 선형인가 비선형인가? (AD 스펙트럼 전반에서)
• RQ3 예측 불확실성은 다양한 행동 점수 값에서 어떻게 변화하는가? 그리고 모델 정확도 향상을 위해 어디에 새로운 데이터를 수집해야 하는가?
• RQ4 어느 뇌 영역이 인지 기능 변화에 가장 민감하거나 특이적인 반응을 보이며, 어떤 행동 마커가 그들의 활성화 패턴을 가장 잘 설명하는가?
• RQ5 행동 점수에서 뇌 기능을 예측하는 역방향 GP 회귀 접근법은 기존 분류 방법으로는 포착되지 않는 인과적 신경생리학적 추세를 드러낼 수 있는가?

주요 결과

• 비선형 GP 모델은 전체 뇌에서 선형 모델보다 유의미하게 더 좋은 적합도를 보였으며, 이는 질병 진행 동안 신경 활성화 패턴이 균일하게 선형이 아님을 시사한다.
• 전반적인 비선형 모델의 우수성에도 불구하고, 선형 모델은 편측두엽에서 더 뛰어난 성능를 보였으며, 이는 기억 관련 활성화 강도가 MMSE 성과와 선형적으로 관련되어 있음을 시사한다.
• 학습 데이터 범위에서 벗어난 행동 점수일수록 예측 불확실성이 증가했으며, 이는 외삽 예측에 대한 신뢰도가 낮아짐을 의미한다.
• 미래 학습 데이터에 포함될 경우 예측 정확도를 가장 크게 향상시킬 수 있는 특정 행동 점수 범위를 모델이 식별했으며, 이는 데이터 기반 연구 설계를 가능하게 한다.
• 모델은 독서 자극 대 비슷한 글자 자극에 대한 반응으로 활성화 영역의 공간 범위 감소를 잘 포착하여 생물학적 타당성을 검증했다.
• 이 방법은 기존 fMRI 모델링에서 구현된 바가 없던 영역별로 가장 관련성이 높은 행동 마커를 식별할 수 있는 능력을 제공한다.