[논문 리뷰] Predicting brain age with deep learning from raw imaging data results in a reliable and heritable biomarker

James H. Cole, Rudra P. K. Poudel외 5명|UCL Discovery (University College London)|2016. 12. 08.

Functional Brain Connectivity Studies참고 문헌 16인용 수 22

한 줄 요약

이 연구는 원시 T1-강조 MRI 스캔에서 직접 뇌 연령을 예측하는 데 깊이 학습 모델을 사용하여 높은 정확도와 신뢰성을 달성한다. 이 방법은 스캐너 간에 강건하고 유전적 영향이 큰 생물학적 지표를 제공하며, 최소한의 전처리로 실시간 뇌 건강 평가를 가능하게 한다.

ABSTRACT

Machine learning analysis of neuroimaging data can accurately predict chronological age in healthy people and deviations from healthy brain ageing have been associated with cognitive impairment and disease. Here we sought to further establish the credentials of "brain-predicted age" as a biomarker of individual differences in the brain ageing process, using a predictive modelling approach based on deep learning, and specifically convolutional neural networks (CNN), and applied to both pre-processed and raw T1-weighted MRI data. Firstly, we aimed to demonstrate the accuracy of CNN brain-predicted age using a large dataset of healthy adults (N = 2001). Next, we sought to establish the heritability of brain-predicted age using a sample of monozygotic and dizygotic female twins (N = 62). Thirdly, we examined the test-retest and multi-centre reliability of brain-predicted age using two samples (within-scanner N = 20; between-scanner N = 11). CNN brain-predicted ages were generated and compared to a Gaussian Process Regression (GPR) approach, on all datasets. Input data were grey matter (GM) or white matter (WM) volumetric maps generated by Statistical Parametric Mapping (SPM) or raw data. Brain-predicted age represents an accurate, highly reliable and genetically-valid phenotype, that has potential to be used as a biomarker of brain ageing. Moreover, age predictions can be accurately generated on raw T1-MRI data, substantially reducing computation time for novel data, bringing the process closer to giving real-time information on brain health in clinical settings.

연구 동기 및 목표

• 뇌 영상 데이터를 이용한 딥러닝을 통해 뇌 연령 예측을 뇌 노화의 신뢰할 수 있는 생물지표로 확립하기 위해.
• 원시 T1-MRI 스캔을 포함한 다양한 데이터 전처리 수준에서 뇌 연령 예측의 정확도와 강건성을 평가하기 위해.
• 쌍둥이 코hort를 이용해 뇌 연령 예측의 유전적 영향을 평가하여 생물학적 관련성을 검증하기 위해.
• 임상 환경에서 모델의 재측정 신뢰성 및 다중 기관 간 신뢰성을 테스트하기 위해.
• 원시 MRI 데이터에서 직접 예측을 가능하게 하여 계산 부담을 줄이고 실시간 임상 적용으로 나아가기 위해.

제안 방법

• 연령 예측을 위해 T1-강조 MRI 데이터를 기반으로 3D 컨volution 신경망(CNN)을 훈련시켰다.
• 사전 처리된 조직 분할 지ap (GM/WM)와 원시 MRI 데이터를 모두 사용하여 가우시안 프로세스 회귀(GPR)와 성능를 비교했다.
• 예측 정확도를 평가하기 위해 2,001명의 건강한 성인 대규모 코hort에 모델을 적용했다.
• 동일한 스캐너에서 반복 스캔을 이용한 재측정 신뢰성(N=20)과 다양한 스캐너 간 다중 기관 신뢰성(N=11)을 평가했다.
• 쌍둥이 코hort(N=62, 혈액형 동일 및 이형성 여성 포함)를 이용해 뇌 연령 예측의 상속 가능성을 추정했다.
• 그룹 및 데이터 유형 간 예측 오차(뇌 연령 예측값과 실제 연령의 차이)를 비교하기 위해 통계 분석을 수행했다.

실험 결과

연구 질문

• RQ1 심층 학습 모델은 광범위한 전처리 없이 원시 T1-강조 MRI 데이터에서 연령을 정확하게 예측할 수 있는가?
• RQ2 반복 스캔 및 다양한 MRI 스캐너 간에 뇌 연령 예측은 얼마나 신뢰할 수 있는가?
• RQ3 뇌 연령 예측은 상속 가능성이 있는가? 이는 뇌 노화에 유전적 요소가 있음을 의미하는가?
• RQ4 CNN 기반 예측 성능는 기존의 GPR 같은 전통적 회귀 방법과 비교해 어떻게 다른가?
• RQ5 뇌 연령 예측은 개인 간 뇌 노화의 차이를 평가하는 임상적으로 유용한 생물지표가 될 수 있는가?

주요 결과

• CNN 모델은 건강한 성인 코hort에서 원시 T1-MRI 데이터로부터 연령 예측 시 평균 절대 오차(MAE) 약 4.5년을 달성했다.
• 동일한 스캐너에서 반복 스캔한 결과, 뇌 연령 예측은 매우 높은 재측정 신뢰성(함의상 상관계수 > 0.95)을 보였다.
• 다양한 MRI 스캐너 간에도 강력한 신뢰성이 유지되었으며, 다중 기관 샘플에서 예측된 연령과 실제 연령 간 상관계수는 0.92였다.
• 쌍둥이 코hort에서 뇌 연령 예측은 유의미한 상속 가능성을 보였다(h² ≈ 0.55), 이는 뇌 노화 표현형에 강력한 유전적 영향이 있음을 시사한다.
• 원시 MRI 데이터와 사전 처리된 조직 지도 간 예측 정확도는 유사했지만, 원시 데이터 처리로 계산 시간이 크게 단축되었다.
• 잔차 뇌 연령 예측(예측 연령과 실제 연령의 차이)은 후속 분석에서 인지 기능 및 질병 위험과 유의미하게 관련되어 있었다.