[논문 리뷰] Automatic autism spectrum disorder detection using artificial intelligence methods with MRI neuroimaging: A review

Parisa Moridian, Navid Ghassemi외 12명|arXiv (Cornell University)|2022. 06. 20.

Autism Spectrum Disorder Research인용 수 6

한 줄 요약

이 리뷰는 뇌 영상(MRI)을 활용한 인공지능(AI) 기반 자폐 스펙트럼 장애(ASD) 자동 진단 기술의 최근 발전을 종합적으로 분석한다. 주로 구조적(sMRI) 및 기능적(fMRI) MRI 데이터에 적용된 기계학습(ML)과 딥러닝(DL) 기법을 중심으로 다루며, AI의 진단 정확도 및 효율성 향상 역할을 강조한다. 데이터 표준화 및 모델 일반화 문제를 지적하고 임상 적용을 위한 향후 연구 방향을 제시한다.

ABSTRACT

Autism spectrum disorder (ASD) is a brain condition characterized by diverse signs and symptoms that appear in early childhood. ASD is also associated with communication deficits and repetitive behavior in affected individuals. Various ASD detection methods have been developed, including neuroimaging modalities and psychological tests. Among these methods, magnetic resonance imaging (MRI) imaging modalities are of paramount importance to physicians. Clinicians rely on MRI modalities to diagnose ASD accurately. The MRI modalities are non-invasive methods that include functional (fMRI) and structural (sMRI) neuroimaging methods. However, diagnosing ASD with fMRI and sMRI for specialists is often laborious and time-consuming; therefore, several computer-aided design systems (CADS) based on artificial intelligence (AI) have been developed to assist specialist physicians. Conventional machine learning (ML) and deep learning (DL) are the most popular schemes of AI used for diagnosing ASD. This study aims to review the automated detection of ASD using AI. We review several CADS that have been developed using ML techniques for the automated diagnosis of ASD using MRI modalities. There has been very limited work on the use of DL techniques to develop automated diagnostic models for ASD. A summary of the studies developed using DL is provided in the Supplementary Appendix. Then, the challenges encountered during the automated diagnosis of ASD using MRI and AI techniques are described in detail. Additionally, a graphical comparison of studies using ML and DL to diagnose ASD automatically is discussed. We suggest future approaches to detecting ASDs using AI techniques and MRI neuroimaging.

연구 동기 및 목표

• MRI 뇌 영상 기반 인공지능 기반 컴퓨터 지원 진단 시스템(CADS)의 자폐 스펙트럼 장애(ASD) 진단에 대한 체계적 리뷰를 수행한다.
• MRI 데이터에서의 ASD 진단에 있어 전통적 기계학습(ML)과 딥러닝(DL) 기법의 성능 및 적용 가능성 비교 분석을 수행한다.
• AI 기반 ASD 진단 시스템의 데이터 품질, 모델 해석 가능성, 임상 적용 측면에서의 주요 과제를 규명한다.
• MRI를 활용한 ML 및 DL 접근 방식의 종합적 그래픽 비교를 제공한다.
• AI 모델의 정확도, 일반화 능력 및 임상 활용도 향상을 위한 향후 연구 방향을 제안한다.

제안 방법

• 구조적(sMRI) 및 기능적(fMRI) MRI 모odalities를 활용한 AI 기반 ASD 진단에 관한 동료 심사 논문을 대상으로 한 체계적 리뷰.
• 사용된 AI 기법 유형에 따라 연구를 분류 및 분석: 전통적 기계학습(예: SVM, 랜덤 포레스트) 및 딥러닝(예: CNNs, 오토에인코더).
• 정확도, 민감도, 특이도, AUC-ROC 등 표준 성능 지표를 사용해 모델 성능 평가(해당 자료가 기재된 경우).
• 딥러닝 응용 분석을 보완으로 포함하며, 상세한 요약은 보충 자료부록에 제공.
• 성능, 데이터 요구사항, 임상 실현 가능성 측면에서 ML 및 DL 접근 방식의 그래픽 비교.
• 방법론적 격차 및 과제 규명: 작은 표본 크기, 데이터 표준화 부족, 모델 해석 가능성 제한.

실험 결과

연구 질문

• RQ1 기계학습 및 딥러닝 모델은 MRI 뇌 영상 데이터에서 자폐 스펙트럼 장애(ASD) 진단에 얼마나 효과적인가?
• RQ2 ML 및 DL 접근 방식 간의 성능, 데이터 요구사항, 임상 적용 가능성에서의 주요 차이점은 무엇인가?
• RQ3 AI 기반 ASD 진단 시스템의 임상 적용을 저해하는 주요 방법론적 및 기술적 과제는 무엇인가?
• RQ4 현재의 AI 모델은 MRI 데이터 수집 프로토콜 및 환자 인구 통계적 특성의 변동성을 어떻게 다루는가?
• RQ5 AI 모델의 일반화 능력, 해석 가능성, 실세계 적용을 향상시키기 위한 향후 연구 방향은 무엇인가?

주요 결과

• 특히 SVM 및 랜덤 포레스트를 포함한 기계학습 기법은 일부 연구에서 최대 90%까지의 정확도를 기록하며 강력한 성능을 보였다.
• 딥러닝 모델은 더 높은 특징 추출 능력을 보여주며 잠재력을 지닌다. 그러나 데이터 및 계산 자원 제약으로 인해 아직 충분히 탐색되지 못했다.
• 다수의 연구에서 나타나는 주요 제한점은 작은 표본 크기로, 많은 데이터셋이 100명 미만의 환자를 포함하여 모델의 강건성에 영향을 미친다.
• MRI 촬영 프로토콜 및 사전처리 파이프라인의 표준화 부족으로 인해 연구 간 성능 변동성이 발생하고 있다.
• AI 모델의 해석 가능성은 여전히 주요 과제이며, 임상적 신뢰를 확보하기 위해 설명 가능한 AI(XAI) 기법을 통합한 연구는 극히 소수에 그친다.
• 보충 자료부록에는 딥러닝 기반 ASD 진단 연구에 대한 상세한 요약이 포함되어 있으며, 최근의 추세 및 모델 아키텍처를 반영하고 있다.