[논문 리뷰] Machine Learning pipeline for discovering neuroimaging-based biomarkers in neurology and psychiatry

Alexander Bernstein, Evgeny Burnaev외 6명|arXiv (Cornell University)|2018. 04. 26.

Functional Brain Connectivity Studies인용 수 4

한 줄 요약

이 논문은 신경학 및 정신건강 분야에서 뇌영상 기반 생물학적 표지자(바이오마커)를 발견하기 위한 표준화된 기계학습 파이프라인을 제안한다. 이 파이프라인은 MRI/fMRI 데이터 처리, 차원 축소, 다양한 기계학습 알고리즘을 통합한다. 파이프라인은 MRI 음성의 템포랄 리브 에피레프시(전두엽 간질)를 진단할 때 93%의 특이도와 90%의 민감도를 기록했으며, fMRI 데이터를 사용해 우울증을 진단할 때는 80%의 특이도와 70%의 민감도를 달성했다.

ABSTRACT

We consider a problem of diagnostic pattern recognition/classification from neuroimaging data. We propose a common data analysis pipeline for neuroimaging-based diagnostic classification problems using various ML algorithms and processing toolboxes for brain imaging. We illustrate the pipeline application by discovering new biomarkers for diagnostics of epilepsy and depression based on clinical and MRI/fMRI data for patients and healthy volunteers.

연구 동기 및 목표

• 신경학적 및 정신건강 장애에서 뇌영상 기반 바이오마커를 식별하기 위한 재사용 가능하고 반복 가능한 기계학습 파이프라인을 개발하기 위해.
• 고차원 뇌영상 데이터(예: MRI/fMRI에서 10^7개의 볼륨 요소)에서 발생하는 차원의 저주 문제를 체계적인 특징 선택 및 차원 축소를 통해 해결하기 위해.
• 임상 전문가와 뇌영상 도구상자에서 도출된 영역 특화 지식을 통합하여 식별된 특징의 생물의학적 해석 가능성을 보장하기 위해.
• 실제 임상 데이터셋을 활용해 간질과 우울증에 대해 파이프라인을 검증하고 높은 진단 정확도를 달성하기 위해.

제안 방법

• 파이프라인은 데이터 전처리, 특징 추출, 차원 축소, 분류의 여러 단계로 구성되며, 각 단계는 서로 다른 수학적 접근 방식에 기반한 다양한 알고리즘 수준을 포함한다.
• MRI 및 fMRI에서 유도된 뇌영상 데이터는 표준화된 도구상자(SPM, FreeSurfer 등)를 사용해 체계적으로 처리되어 형태학적 특징과 기능적 연결성 특징을 추출한다.
• 과적합 방지를 위해 이중 채택(다중 채택)을 피하기 위해 L1-정규화 회귀 및 다양한 다양체 학습 방법을 포함한 반복적 특징 선택 및 차원 축소 기법이 적용된다.
• 모델의 하이퍼파ram터 튜닝 및 평가를 위해 반복된 10개의 분류된 교차검증 프레임워크가 사용되어 정확도를 보장한다.
• 분류기 성능은 다양한 임계값에서의 참 양성률과 참 음성률을 기반으로 평가되며, 후행 분석을 통해 생물학적으로 해석 가능한 특징을 식별한다.
• 알고리즘 체인(다양한 단계 및 수준의 알고리즘을 순차적 또는 반복적으로 조합)을 지원함으로써 체계적인 바이오마커 발견이 가능하다.

실험 결과

연구 질문

• RQ1 표준화되고 모듈화된 기계학습 파이프라인이 신경학적 및 정신건강 장애에서 뇌영상 기반 바이오마커를 효과적으로 식별할 수 있는가?
• RQ2 구조적 MRI와 기능적 fMRI의 특징 유형 간에 간질과 우울증을 분류하는 데 있어 어떤 차이가 있는가?
• RQ3 차원 축소 및 특징 선택은 생물의학적 해석 가능성을 유지하면서도 분류 정확도를 향상시킬 수 있는가?
• RQ4 특정 간질 아형(예: MRI 양성 vs. MRI 음성 TLE)과 관련된 가장 구분 가능한 뇌 영역 또는 네트워크는 무엇인가?
• RQ5 fMRI 데이터에서 유도된 기능적 연결성 특징을 통해 파이프라인이 우울증에서 임상적으로 의미 있는 패턴을 탐지할 수 있는가?

주요 결과

• MRI 음성의 템포랄 리브 간질(TLEN)을 분류하는 데 파이프라인이 93%의 특이도와 90%의 민감도를 기록했으며, MRI 양성 TLE 분류를 초월하는 성능을 보였다.
• 우울증 분류의 경우, fMRI 기반 특징이 80%의 특이도와 70%의 민감도를 기록했으며, 구조적 MRI 특징(30% FPR 기준 65% 특이도, 47% 민감도)보다 유의미하게 뛰어난 성능을 보였다.
• MRI 음성 TLE의 가장 중요한 바이오마커는 양측 해마, 편도체, 전두엽 꼬리, 왼쪽 소뇌로, 이는 별개의 신경생물학적 기전을 시사한다.
• MRI 양성 TLE의 경우, 주요 특징은 오른쪽 소뇌, 전두엽 후부, 왼쪽 보상핵, 오른쪽 피부질로, 이는 다른 병리학적 기반을 반영한다.
• fMRI 기반의 우울증 분류에서는 왼쪽 꼬부리, 왼쪽 편도엽, 오른쪽 편도체, 오른쪽 상위 후두엽이 핵심 바이오마커로 확인되었다.
• 후행 분류기 분석을 통해 파이프라인이 생물학적으로 해석 가능한 특징을 성공적으로 식별했으며, 임상적 관련성과 번역 가능성을 뒷받침한다.