[论文解读] Brain Biomarker Interpretation in ASD Using Deep Learning and fMRI

Xiaoxiao Li, Nicha C. Dvornek+3 more|arXiv (Cornell University)|Aug 23, 2018

Functional Brain Connectivity Studies参考文献 7被引用 10

一句话总结

该论文提出了一种两阶段深度学习框架，结合2CC3D DNN分类器与一种新颖的基于感兴趣区域（ROI）的图像损坏及统计显著性检验方法，用于解释自闭症谱系障碍（ASD）的fMRI生物标志物。通过分析损坏特定脑区后预测结果的变化，该方法识别出稳健且具有生物学合理性的生物标志物——如默认模式网络和与运动相关的脑区——与先前文献一致，并通过DNN激活图和神经功能解码得到验证，在任务态fMRI数据集上达到87.1%的分类准确率，在静息态fMRI数据集上达到85.3%。

ABSTRACT

Autism spectrum disorder (ASD) is a complex neurodevelopmental disorder. Finding the biomarkers associated with ASD is extremely helpful to understand the underlying roots of the disorder and can lead to earlier diagnosis and more targeted treatment. Although Deep Neural Networks (DNNs) have been applied in functional magnetic resonance imaging (fMRI) to identify ASD, understanding the data-driven computational decision making procedure has not been previously explored. Therefore, in this work, we address the problem of interpreting reliable biomarkers associated with identifying ASD; specifically, we propose a 2-stage method that classifies ASD and control subjects using fMRI images and interprets the saliency features activated by the classifier. First, we trained an accurate DNN classifier. Then, for detecting the biomarkers, different from the DNN visualization works in computer vision, we take advantage of the anatomical structure of brain fMRI and develop a frequency-normalized sampling method to corrupt images. Furthermore, in the ASD vs. control subjects classification scenario, we provide a new approach to detect and characterize important brain features into three categories. The biomarkers we found by the proposed method are robust and consistent with previous findings in the literature. We also validate the detected biomarkers by neurological function decoding and comparing with the DNN activation maps.

研究动机与目标

• 解决应用于ASD分类fMRI的深度学习模型可解释性不足的问题。
• 识别出能够可靠区分ASD与对照受试者的、具有生物学意义的脑区生物标志物。
• 开发一种利用脑部解剖结构与统计显著性检验的方法，以提升显著图可靠性，超越传统可视化技术。
• 通过神经功能解码、DNN激活图以及与现有文献比较，验证所检测到的生物标志物。

提出的方法

• 在4D fMRI数据上训练一个包含6个卷积层、4个最大池化层和2个全连接层的2CC3D DNN，使用滑动窗口提取时间序列的均值和标准差特征。
• 采用频率归一化的采样策略对fMRI图像中的特定感兴趣区域（ROIs）进行损坏，同时在损坏过程中保持脑部解剖结构。
• 利用类预测分布之间的Jensen-Shannon散度（JSD）分析原始图像与损坏图像之间的预测差异，并通过自 resampling 方法实现稳健估计。
• 通过两样本t检验评估预测变化的统计显著性，并使用错误发现率校正控制多重比较问题。
• 通过JSD置信水平（α_JSD）和Wilcoxon检验p值（α_W）设定阈值，确定每个ROI的重要性。
• 利用Neurosynth对检测到的ROIs的神经功能进行解码，并通过与DNN浅层中间激活图的对比验证结果。

实验结果

研究问题

• RQ1 在使用深度学习区分ASD与对照受试者时，fMRI数据中哪些脑区最具显著性？
• RQ2 如何可靠地解释DNN在基于fMRI的ASD分类中的决策过程，而不仅仅是依赖模糊的显著图？
• RQ3 所检测到的生物标志物是否与已知的神经生物学功能及ASD相关文献一致？
• RQ4 所提出的方法能否在不同fMRI数据集和实验条件下检测到稳定且稳健的生物标志物？

主要发现

• 该方法在两个数据集中检测到116个ROIs，在任务态fMRI数据上达到87.1%的分类准确率，在静息态fMRI数据上达到85.3%的准确率。
• 红色ROIs（与ASD相关）包括与视觉处理、运动功能和情绪相关的区域，与ASD相关的行为表型一致。
• 绿色ROIs（与对照组相关）主要与视觉注意和执行功能相关，提示对照组在任务中可能更关注视觉线索。
• 蓝色ROIs（两组共有）在默认模式网络和楔前叶中富集，这些区域与自我参照思维和功能连接相关，此前已被关联至ASD。
• 该方法在不同统计阈值（α_JSD 和 α_W）下均表现出高稳定性，仅在极低α_JSD值时因预测分布尾部过重而出现波动。
• DNN第一和第二卷积层的激活图证实了组间差异的存在，其中第二层与检测到的生物标志物具有强烈对应关系。