[논문 리뷰] Subtyping brain diseases from imaging data

Junhao Wen, Erdem Varol외 6명|arXiv (Cornell University)|2022. 02. 16.

Radiomics and Machine Learning in Medical Imaging인용 수 4

한 줄 요약

이 논문은 뇌 영상 데이터에서 연령, 성별, 스캐너 변동성 등의 혼란 요인을 줄이기 위해 반감독 및 무감독 기계학습 군집화 방법을 제안하여 뇌 질환의 생물학적으로 의미 있는 아형을 규명한다. 아밀로이드병, 정신병, 우울증, 자폐성 장애, 뇌 종양에서 영상 기반 아형이 각각 다른 임상적 결과와 분자 프로파일과 관련이 있음을 입증하여 보다 정밀한 진단 및 개인 맞춤 치료 전략 수립에 기여한다.

ABSTRACT

The imaging community has increasingly adopted machine learning (ML) methods to provide individualized imaging signatures related to disease diagnosis, prognosis, and response to treatment. Clinical neuroscience and cancer imaging have been two areas in which ML has offered particular promise. However, many neurologic and neuropsychiatric diseases, as well as cancer, are often heterogeneous in terms of their clinical manifestations, neuroanatomical patterns or genetic underpinnings. Therefore, in such cases, seeking a single disease signature might be ineffectual in delivering individualized precision diagnostics. The current chapter focuses on ML methods, especially semi-supervised clustering, that seek disease subtypes using imaging data. Work from Alzheimer Disease and its prodromal stages, psychosis, depression, autism, and brain cancer are discussed. Our goal is to provide the readers with a broad overview in terms of methodology and clinical applications.

연구 동기 및 목표

• 신경학적 및 정신신경의학적 장애의 임상적 및 생물학적 이질성을 해결하기 위해 영상 데이터를 활용해 명확한 질환 아형을 규명한다.
• 뇌 발달 및 병리에서 개인의 변동성을 간과하는 전통적 사례-대조 연구의 한계를 극복한다.
• 일반적인 인구통계학적 또는 스캐너 관련 변동성보다 병리학적 이질성에 초점을 맞춘 반감독 군집화 방법을 개발하고 적용한다.
• 임상적 및 유전적 상관관계를 통해 영상 유도 아형을 검증하여 통계적 패tern을 넘어서 생물학적 관련성이 있음을 확인한다.
• 뇌 질환의 정밀의료를 위한 신경영상 기반 기계학습 적용을 위한 방법론적 및 임상적 프레임워크를 제공한다.

제안 방법

• 건강한 대조군(CN)을 환자 아형 k개에 매핑하는 반감독 군집화를 활용하여 일반적인 변동성보다 병리학적 이질성에 초점을 맞춘다.
• 고차원적 뇌 영상 특징을 고려하여 영상 유사성 기반으로 환자를 군집화하는 무감독 군집화(예: K-means, 계층적 군집화)를 적용한다.
• 비병리적 변동 원인에서 비롯하는 편향을 줄이기 위해 기준군(건강한 대조군)을 활용해 환자 집단의 군집화를 이끌어낸다.
• 뇌 종양에서 종양의 형태, 질감, 미소혈관 구조, 미세구조적 특성을 캡처하기 위해 다파라미터리모지(MRI, mpMRI)에서 특징을 추출한다.
• 특수 질환 경로의 연속적 진행(예: 임상 이전의 아밀로이드병)이 있는 상태에서 병변 경계에 대한 사전 가정 없이 데이터 기반의 편향 없는 접근법을 통해 아형을 규명한다.
• 생존율 차이, 유전적 구조, 임상 변수와 같은 외부 평가를 통해 아형의 생물학적 타당성을 확보한다.

실험 결과

연구 질문

• RQ1 반감독 군집화 방법은 뇌 영상 데이터를 활용해 이질적인 뇌 질환에서 생물학적으로 관련성이 있는 아형을 효과적으로 규명할 수 있는가?
• RQ2 알츠하이머병, 정신병 및 뇌 종양에서 유도된 영상 아형은 임상적 결과와 분자 프로파일과 어떻게 관련이 있는가?
• RQ3 나이, 성별, 스캐너 차이 등의 혼란 요인이 전통적 군집화 접근법을 얼마나 편향시키며, 이를 어떻게 완화할 수 있는가?
• RQ4 영상 아형은 뇌 종양 및 신경퇴행성 질환에서 기저 유전적 또는 분자적 이질성의 신뢰할 수 있는 대체 지표가 될 수 있는가?
• RQ5 식별된 아형의 강건성과 재현 가능성을 보장하기 위해 필요한 방법론적 보호 조치(예: 샘플 분할 분석, 순열 검정)는 무엇인가?

주요 결과

• 반감독 군집화는 알츠하이머병에서 특이적인 아형을 성공적으로 규명하였으며, 특히 해마 보존 또는 내측 시간엽 위축 패턴을 보이는 비정형 병리학적 패턴을 포함한 아형을 발견하였다.
• 글리오블라스토마에서 mpMRI의 영상 특징을 기반으로 한 무감독 군집화는 고체형, 비정형, 레이어 강화형의 세 가지 영상 아형을 규명하였으며, 각각 다른 생존 확률과 분자 마커와 연관되어 있었다.
• 뇌 종양의 영상 아형은 이소시트르산 탈수소효소-1, O6-메틸구아닌-DNA 메틸트랜스퍼라제, 그리고 에피더멀 성장 인자 수용체 변종 III와 같은 특정 분자 경로와 유의미한 연관성을 보였다.
• 신경영상 데이터에서 유도된 아형은 전사체 분자 아형과 임상 결과와 연관되어 있어 비침습적 생물학적 지표로서의 잠재력을 뒷받침한다.
• 임상 변수와 유전적 구조를 통한 외부 검증을 통해 영상 기반 아형의 생물학적 관련성이 확인되어 임의의 군집 패턴에 대한 우려를 줄였다.
• 질병 특이성을 향상시키고 공존 질환 또는 인구통계학적 변동성에 의한 편향을 줄이기 위해 종단적 데이터와 철저한 샘플 선택이 필요하다.