[논문 리뷰] Autism Classification Using Brain Functional Connectivity Dynamics and Machine Learning

Ravi Tejwani, Adam Liska외 3명|arXiv (Cornell University)|2017. 12. 21.

Functional Brain Connectivity Studies참고 문헌 10인용 수 26

한 줄 요약

이 연구는 자폐성 장애(ASD) 분류를 위한 동적 신경영상 특징으로 뇌 기능적 연결성(FC)의 시간적 변동성을 사용하는 것을 제안한다. ABIDE 데이터셋의 안정된 fMRI 데이터를 분석하여 200개 뇌 영역에서의 노드 변동성을 계산하고, 이 동적 FC 특징을 기반으로 기계학습 모델(SVM, 랜덤 포레스트 등)을 훈련시켜 최대 65%의 정확도로 ASD와 정상 대조군을 구분함으로써, 정적 FC 측정치(예: 노드 강도)와 비교해 유사하거나 뛰어난 성능을 보였다.

ABSTRACT

The goal of the present study is to identify autism using machine learning techniques and resting-state brain imaging data, leveraging the temporal variability of the functional connections (FC) as the only information. We estimated and compared the FC variability across brain regions between typical, healthy subjects and autistic population by analyzing brain imaging data from a world-wide multi-site database known as ABIDE (Autism Brain Imaging Data Exchange). Our analysis revealed that patients diagnosed with autism spectrum disorder (ASD) show increased FC variability in several brain regions that are associated with low FC variability in the typical brain. We then used the enhanced FC variability of brain regions as features for training machine learning models for ASD classification and achieved 65% accuracy in identification of ASD versus control subjects within the dataset. We also used node strength estimated from number of functional connections per node averaged over the whole scan as features for ASD classification.The results reveal that the dynamic FC measures outperform or are comparable with the static FC measures in predicting ASD.

연구 동기 및 목표

• 시간적 변동성이 자폐성 장애(ASD)의 신뢰할 수 있는 생물학적 지표가 될 수 있는지 조사하기 위해.
• 정적 연결성 특징(예: 노드 강도)과 비교하여 동적 기능적 연결성 측정치(예: 노드 변동성)의 예측 능력이 ASD 분류에서 어떻게 작용하는지 비교하기 위해.
• 대규모 다중 기관 fMRI 데이터셋에서 동적 FC 기반 모델의 다기관 일반화 능력을 평가하기 위해.
• ASD 환자에서 정상 대조군에 비해 변동성이 높아진 특정 뇌 영역을 규명하기 위해.

제안 방법

• 연구는 뇌 기능적 연결성의 시간적 변동성을 분석하기 위해 ABIDE 데이터셋의 안정된 fMRI 데이터를 사용하였으며, 반복 시간(2초)이 확보된 기관(NYU, SDSU, UM, USM)에 국한하여 총 293명의 참가자(ASD 147명, 대조군 146명)를 포함하였다.
• 기능적 연결성 행렬은 200개 영역으로 분할한 CC200 분할 기반으로, 창문 길이가 10~20볼륨(20~40초)인 슬라이딩 윈도우 방법을 사용하여 추정하였다.
• 노드 변동성은 슬라이딩 윈도우 간에 뇌 영역의 기능적 연결성 프로파일의 시간적 변동성을 측정하여, 연결성의 동적 재구성 정도를 정량화하였다.
• 기계학습 모델(SVM, 랜덤 포레스트, 나이브 베이즈, 다층 퍼셉트론)은 노드 변동성 특징과 노드 강도 특징을 기반으로 훈련되었으며, 내부 기관 평가를 위해 5겹 교차검증을 사용하였다.
• 외부 기관 일반화 능력을 평가하기 위해 '한 기관을 제외한' 방법을 사용하였으며, 정확도, 민감도, 특이도를 성능 측정 지표로 사용하였다.
• 두통 운동을 제어하기 위해 프레임별 이동량을 제거하였고, 정상 대조군에서 변동성이 낮은 노드를 선별하여 ASD에서 변동성이 증가한 노드를 특징 집합으로 최적화하였다.

실험 결과

연구 질문

• RQ1 자폐성 장애(ASD) 환자에서 정상 발달한 개인에 비해 뇌 영역의 기능적 연결성 시간적 변동성이 높은가?
• RQ2 노드 변동성과 같은 동적 기능적 연결성 측정치가 정적 연결성 특징(예: 노드 강도)과 비교해 ASD 분류 성능에서 뛰어나거나 유사한가?
• RQ3 다중 기관 fMRI 데이터셋에서 노드 변동성 기반 기계학습 모델의 기관 간 일반화 능력은 얼마나 높은가?
• RQ4 ASD에서 기능적 연결성 변동성이 유의미하게 증가한 특정 뇌 영역는 어디이며, 이는 창문 길이에 따라 어떻게 달라지는가?
• RQ5 프레임별 이동량을 특징으로 포함할 경우, 동적 연결성 측정치를 사용한 분류 정확도가 향상되는가?

주요 결과

• ASD 환자에서 정상 대조군에 비해 다수의 뇌 영역에서 기능적 연결성 변동성이 유의미하게 증가하였으며, 특히 기본 동역학망과 감각운동망에서 두드러졌다.
• 노드 변동성을 특징으로 사용할 때 다층 퍼셉트론 모델이 최고의 분류 정확도 65%를 기록하였으며, 이는 정상 대조군에서 변동성이 낮았지만 ASD에서 증가한 노드의 부분집합을 사용한 결과였다.
• 노드 변동성 기반 모델이 정적 노드 강도 특징 기반 모델보다 성능이 뛰어나거나 유사한 것으로 나타나, 동적 연결성 측정치가 ASD 분류에 더 정보가 풍부하다는 것을 시사하였다.
• 정상 대조군에서의 기저 변동성과 변동성 차이(ASD - 정상) 간의 상관계수는 음수였으며 기관에 따라 달라졌으며, UM에서 가장 강한 상관관계(-0.59)와 USM에서 -0.64를 기록하였다.
• MLP 모델을 사용한 기관 간 분류에서는 약 62%의 정확도를 기록하였으며, 민감도와 특이도는 기관에 따라 달라져 다소 중간 수준의 일반화 능력을 보였다.
• 평균 프레임별 이동량을 특징 집합에 포함시켜도 분류 성능 향상이 없었으며, 이는 관찰된 효과가 운동 아티팩트에 의해 유도된 것이 아니라는 것을 시사하였다.