[논문 리뷰] Neural Processes Mixed-Effect Models for Deep Normative Modeling of Clinical Neuroimaging Data

Seyed Mostafa Kia, André F. Marquand|arXiv (Cornell University)|2018. 12. 12.

Functional Brain Connectivity Studies참고 문헌 32인용 수 8

한 줄 요약

이 논문은 임상 fMRI 데이터의 딥 노멀리티 모델링을 위한 신경 프로세스 기반 혼합효과 모델을 제안하며, 랜덤 효과와 노이즈를 위한 글로벌 잠재 변수를 학습함으로써 확장 가능하고 불확실성 인식이 가능한 공간적으로 구조화된 예측을 가능하게 한다. ADHD의 신규성 탐지에서 가우시안 프로세스 기반의 노멀리티 모델링을 능가하며, 대규모 임상 fMRI 데이터셋에서 정확도가 향상되면서도 계산 효율성을 유지한다.

ABSTRACT

Normative modeling has recently been introduced as a promising approach for modeling variation of neuroimaging measures across individuals in order to derive biomarkers of psychiatric disorders. Current implementations rely on Gaussian process regression, which provides coherent estimates of uncertainty needed for the method but also suffers from drawbacks including poor scaling to large datasets and a reliance on fixed parametric kernels. In this paper, we propose a deep normative modeling framework based on neural processes (NPs) to solve these problems. To achieve this, we define a stochastic process formulation for mixed-effect models and show how NPs can be adopted for spatially structured mixed-effect modeling of neuroimaging data. This enables us to learn optimal feature representations and covariance structure for the random-effect and noise via global latent variables. In this scheme, predictive uncertainty can be approximated by sampling from the distribution of these global latent variables. On a publicly available clinical fMRI dataset, we compare the novelty detection performance of multivariate normative models estimated by the proposed NP approach to a baseline multi-task Gaussian process regression approach and show substantial improvements for certain diagnostic problems.

연구 동기 및 목표

• 가우시안 프로세스 회귀의 한계를 해결하기 위해 스케일링이 불량하고 고정 커널에 의존하는 문제를 해결한다.
• 혼합효과 모델을 신경 프로세스 프레임워크에 통합하여 뇌영상 데이터의 공간적으로 구조화되고 다변량인 모델링을 가능하게 한다.
• 딥 러닝 환경에서 글로벌 잠재 변수를 통해 랜덤 효과와 노이즈의 최적의 특징 표현 및 공분산 구조를 학습한다.
• 신경 프로세스에서의 예측 불확실성을 활용하여 정신질환의 새로운 유형 탐지 성능을 향상시킨다.
• 대규모 임상 뇌영상 코hort를 위한 다중작업 가우시안 프로세스 회귀의 계산 효율적인 대안을 개발한다.

제안 방법

• 혼합효과 모델을 신경영상에서 스트로스틱 프로세스로 공식화하기 위해 텐서 가우시안 예측 프로세스(TGPP) 프레임워크를 사용한다.
• 신경 프로세스(NPs)를 도입하여 함수의 분포를 모델링하고, 불확실성과 공간적 구조를 캡처하는 글로벌 잠재 변수를 학습한다.
• fMRI 데이터의 공간 상관관계를 유지하고 파라미터 공유 비용을 줄이기 위해 NP 아키텍처에 컨볼루션 신경망(CNNs)을 활용한다.
• 스토캐스틱 변분 추론을 적용하여 잠재 변수의 사후분포를 근사함으로써 학습 및 추론에서 선형 시간 복잡도를 달성한다.
• 컨텍스트/타겟 포인트를 컨텍스트/타겟 함수로 재정의하여, 일부 주체의 서브셋에서 유도된 고정효과 추정치를 나타내며, 이는 랜덤 효과 분산 구조 학습을 가능하게 한다.
• NPs의 확률적 성질을 활용하여 지식 기반(모델) 불확실성과 데이터 기반(데이터) 불확실성을 모두 추정함으로써 생물학적 마커 탐지 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 신경 프로세스가 뇌영상 데이터의 혼합효과 구조를 효과적으로 적응시킬 수 있으며, 공간적 의존성을 유지할 수 있는가?
• RQ2 제안된 NP 기반의 노멀리티 모델링 프레임워크가 가우시안 프로세스 기반 접근법에 비해 정신질환의 새로운 유형 탐지 성능을 향상시키는가?
• RQ3 이 방법은 제한적인 커널 가정에 의존하지 않고 대규모 임상 fMRI 데이터셋에 얼마나 잘 스케일링되는가?
• RQ4 글로벌 잠재 변수를 통해 랜덤 효과와 노이즈의 최적의 특징 표현 및 공분산 구조를 얼마나 잘 학습할 수 있는가?
• RQ5 NP 프레임워크에 CNN을 통합함으로써 고차원 뇌영상 데이터에서 불확실성 추정 시 공간적 구조를 유지할 수 있는가?

주요 결과

• 제안된 신경 프로세스 기반의 노멀리티 모델링 프레임워크는 기준 다중작업 가우시안 프로세스 회귀 접근법에 비해 ADHD의 새로운 유형 탐지 성능에서 상당한 향상을 이룬다.
• 비지도 새로운 유형 탐지 환경에서 건강한 대조군 대비 ADHD 환자를 식별하는 데 뛰어난 정확도를 보였다.
• 학습 및 추론에서 샘플 수에 대해 선형 복잡도를 유지하여 대규모 임상 코hort에 대한 확장 가능성을 확보하였다.
• NP 아키텍처에 컨볼루션 신경망을 사용함으로써 큰 공분산 행렬의 역행 계산이 필요 없이도 fMRI 데이터의 공간적 구조를 효과적으로 유지하였다.
• 글로벌 잠재 변수에서의 샘플링을 통해 예측 불확실성이 정확하게 근사되었으며, 강력한 생물학적 마커 탐색을 지원하였다.
• 엔드 투 엔드 학습을 통해 구조화된 랜덤 효과와 노이즈 공분산을 성공적으로 학습하였으며, 직교 기저 함수에 대한 제한적인 가정을 피할 수 있었다.