[논문 리뷰] Predicting conversion of mild cognitive impairment to Alzheimer's disease

Yiran Wei, Stephen J. Price외 2명|arXiv (Cornell University)|2022. 03. 08.

Advanced Neuroimaging Techniques and Applications인용 수 6

한 줄 요약

이 연구는 일반적인 T1-강조 MRI를 사용하여 확산 MRI를 가이드로 삼아 고해상도 구조적 뇌망을 생성하는 자기지도 대비 학습 프레임워크를 제안한다. 이를 통해 경도 인지 장애(MCI)에서 알츠하이머병(AD)으로의 전환을 정확하게 예측할 수 있다. 건강한 노화 경로를 그래프 오토에코더로 모델링하고, 종단적 이상을 RNN를 통해 추적함으로써 MCI에서 AD로의 전환 예측에서 최신 기술 수준(SOTA) 성능을 달성하였으며, 백질 이상의 해석 가능성도 향상시켰다. 성능는 83.9%의 정확도를 기록하였다.

ABSTRACT

Alzheimer's disease (AD) is the most common age-related dementia. Mild cognitive impairment (MCI) is the early stage of cognitive decline before AD. It is crucial to predict the MCI-to-AD conversion for precise management, which remains challenging due to the diversity of patients. Previous evidence shows that the brain network generated from diffusion MRI promises to classify dementia using deep learning. However, the limited availability of diffusion MRI challenges the model training. In this study, we develop a self-supervised contrastive learning approach to generate structural brain networks from routine anatomical MRI under the guidance of diffusion MRI. The generated brain networks are applied to train a learning framework for predicting the MCI-to-AD conversion. Instead of directly modelling the AD brain networks, we train a graph encoder and a variational autoencoder to model the healthy ageing trajectories from brain networks of healthy controls. To predict the MCI-to-AD conversion, we further design a recurrent neural networks based approach to model the longitudinal deviation of patients' brain networks from the healthy ageing trajectory. Numerical results show that the proposed methods outperform the benchmarks in the prediction task. We also visualize the model interpretation to explain the prediction and identify abnormal changes of white matter tracts.

연구 동기 및 목표

• 임상적 및 뇌 영상의 이질성에 대비하여 MCI에서 AD로의 전환을 예측하는 데 도전하는 것.
• 일반적으로 이용 가능한 T1-강조 MRI에서 신뢰할 수 있는 구조적 뇌망을 생성하고, 확산 MRI를 감독 신호로 활용하는 것.
• 병리적 뇌망을 직접 모델링하는 대신 건강한 노화 경로에서의 종단적 이탈을 모델링하여 예측 성능을 향상시키는 것.
• 질병 진행과 관련된 비정상적인 백질 피질을 식별함으로써 모델의 설명 가능성을 향상시키는 것.

제안 방법

• 대비 자기지도 학습 접근법을 통해 T1-MRI 특징을 뇌망 표현으로 매핑하는 그래프 인코더를 훈련시키며, 확산 MRI에서 유도된 연결성을 가이드로 사용한다.
• 변분 오토에코더는 정신적으로 정상인 대조군의 뇌망으로부터 건강한 노화 경로의 분포를 학습한다.
• RNN 기반 프레임워크는 MCI 환자의 뇌망의 종단적 진화를 학습된 건강한 노화 경로에 대해 모델링한다.
• 생성된 뇌망의 간선 특징은 회색 물질 공변동과 백질 연결성을 모두 캡처하여 다중 모odal 구조적 특성화를 가능하게 한다.
• 모델의 해석은 건강한 경로에서의 환자망 잔차 이탈을 계산하여 비정상적인 피질을 강조함으로써 수행된다.
• 프레임워크는 조기 정지, 1000 에포크, 5중 교차 검증을 사용하여 PyTorch를 통해 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 일반적인 T1-MRI에서 확산 MRI를 가이드로 삼아, 회색 물질과 백질 연결성을 모두 캡처할 수 있는 구조적 뇌망을 효과적으로 생성할 수 있는가?
• RQ2 건강한 노화 경로에서의 종단적 이탈을 모델링하는 것이 병리적 뇌망을 직접 모델링하는 것보다 MCI에서 AD로의 전환 예측 성능을 향상시키는가?
• RQ3 제안된 방법은 인지 저하와 관련된 생물학적으로 의미 있는 백질 이상을 식별할 수 있는가?
• RQ4 제안된 방법의 성능는 정적 및 동적 벤치마크와 비교하여 MCI에서 AD로의 전환 예측에서 어떻게 평가되는가?

주요 결과

• 제안된 방법은 T1-MRI에서 유도된 뇌망을 사용하여 알츠하이머병과 정신적으로 정상인 사람들을 분류하는 데 86.1%의 정확도를 달성하였다.
• MCI에서 AD로의 전환 예측에서, 이 방법은 83.9%의 정확도를 기록하였으며, ResNet 베이스라인(80.2%)과 ITGNN 베이스라인(65.9%)을 크게 능가하였다.
• 모델의 해석 결과, 상위 5퍼센트 잔차 간선은 특히 인지 저하와 관련된 영역에서 백질 비정상성(백질 고강도 병변)을 나타내었다.
• 생성된 뇌망에서 노드 및 간선 특징을 모두 포함시키면 정확도가 86.1%로 향상되었으며, 간선 특징만 사용했을 경우 84.2%에 그쳤다.
• 기존의 베이스라인에 비해 이 방법은 MCI에서 AD로의 전환 예측에서 더 높은 민감도(86.8%)와 특이도(81.8%)를 보였다.
• 이 프레임워크는 건강한 노화로는 설명되지 않는 비정상적인 백질 피질을 성공적으로 식별하여 임상적 관련성을 입증하였다.