[논문 리뷰] Machine learning with electroencephalography features for precise diagnosis of depression subtypes

Marie Zelenina, Diana Prata|arXiv (Cornell University)|2019. 08. 29.

Functional Brain Connectivity Studies참고 문헌 25인용 수 4

한 줄 요약

이 연구는 뇌전도도(EEG) 마이크로스테이트 특징을 활용한 기계학습 프레임워크를 제안하여 양극성 및 우울증의 하위 유형을 정밀하게 진단하는 데 목적이 있다. 900명이 넘는 참가자를 포함한 대규모 다기관 EEG 데이터셋을 활용하여 수작업 특징 공학과 다양한 분류기(딥 뉴럴 네트워크 포함)를 조합함으로써 높은 진단 정확도를 달성하였으며, 정신의학 분야에서 중요한 진단 과제를 해결하기 위한 확장 가능하고 임상적으로 적용 가능한 솔루션을 제공한다.

ABSTRACT

Depression is a common psychiatric disorder, which causes significant patient distress. Bipolar disorder is characterized by mood fluctuations between depression and mania. Unipolar and bipolar depression can be easily confused because of similar symptom profiles, but their adequate treatment plans are different. Therefore, a precise data-driven diagnosis is essential for successful treatment. In order to aid diagnosis, research applied machine learning to brain imaging data, in particular to electroencephalography (EEG), with accuracies reaching 99.5% (unipolar vs. healthy) or 85% (bipolar vs. healthy). However, these results arise from small training sets, without validation on independent data, and thus have a high risk of inflated accuracies due to data over-fitting. We propose to use a bigger corpus of realistic clinical data for training and testing and improve classification with microstates features, which can assess the function of large-scale brain networks.

연구 동기 및 목표

• 우울증의 양극성 및 우울증 하위 유형을 구별하는 데 있어 임상적으로 중요한 과제를 해결하기 위해, 유사한 증상을 보이지만 다른 치료가 필요한 두 유형을 정확히 분류하는 것.
• 이전의 EEG 기반 연구들이 소규모이고 재현 불가능한 데이터셋을 사용하여 과적합 및 일반화 능력 부족의 문제를 겪었던 점을 극복하기 위해.
• 대규모 뇌망 구조의 동적 특징을 나타내는 마이크로스테이트 특징을 새로운 생물학적 지표로 활용하여, 우울증 하위 유형의 분류 성능을 향상시키는 잠재력을 탐색하기 위해.
• 실제 임상 EEG 데이터를 기반으로 한 강력한 데이터 기반 진단 도구를 개발하여 정신의학 분야에서의 적용 가능성과 확장성을 높이기 위해.
• 전통적인 수작업 특징 파ip라인과 엔드 투 엔드 딥 러닝 접근법을 비교하여 EEG 기반 우울증 분류에 최적의 전략을 평가하기 위해.

제안 방법

• 900명이 넘는 참가자(양극성 우울증, 우울증, 건강한 대조군 포함)의 대규모 다기관 EEG 데이터셋을 활용하여, 여러 병원에서 수집된 자료를 사용한다.
• 90-10 훈련-테스트 분할을 적용하며, 테스트 세트의 10%는 다른 병원에서 수집된 자료를 사용하여 외부 검증을 확보하고 과적합을 줄인다.
• 네 가지 특징 유형을 추출한다: 대역 특징(파wer, 공명), 시간 도메인 특징(평균, 분산, 왜도, 첨도, 히오르트), 비선형 특징(엔트로피, 프랙탈 차원, C0-복잡성), 마이크로스테이트 특징(지속 시간, 발생 빈도, 기여도, 전이 확률).
• 특징의 관련성 최적화와 차원 수 감소를 위해 백워드 서치와 상관 기반의 워퍼(feature selection) 방법을 구현한다.
• 완전 연결, 컨볼루션, 순환 신경망을 포함한 다양한 분류기와 기존 모델(SVM, LightGBM, 로지스틱 회귀 등)을 80-20 훈련/테스트 분할과 유일한 샘플 제거 교차검증을 통해 훈련 및 비교한다.
• 모델 성능 평가에 AUC-ROC(임계값에 민감하지 않은 순위 정확도)와 분류 정확도를 사용하며, 인간의 진단 오차율을 초월하는 정확도를 목표로 한다.

실험 결과

연구 질문

• RQ1 기존 EEG 특징과 비교하여 EEG 데이터에서 유도된 마이크로스테이트 특징이 양극성과 우울증 하위 유형의 분류 정확도를 유의미하게 향상시킬 수 있는가?
• RQ2 외부 검증이 가능한 대규모 다기관 EEG 데이터셋은 이전의 소규모 연구에 비해 일반화 능력 향상과 과적합 감소에 기여하는가?
• RQ3 특히 딥 뉴럴 네트워크를 포함한 다양한 기계학습 아키텍처는 원시 또는 최소로 전처리된 EEG 데이터에 대해 수작업 특징 파이프라인과 비교해 어떻게 성능을 발휘하는가?
• RQ4 마이크로스테이트 파rameter(지속 시간, 발생 빈도, 전이 확률)는 양극성과 우울증 하위 유형 간에 얼마나 다를 수 있는가? 이는 생물학적 지표로서의 잠재력을 시사하는가?
• RQ5 제안된 프레임워크는 우울증 하위 유형을 구별하는 데 있어 인간 임상 진단 오차율을 초월하는 정확도를 달성할 수 있는가?

주요 결과

• 이 연구는 외부 병원에서 수집된 10% 테스트 세트를 포함한 대규모 다기관 EEG 데이터셋(900명 이상)을 사용하여, 이전의 소규모이고 재현 불가능한 연구들에 비해 일반화 능력이 크게 향상되었다.
• 양극성과 우울증 하위 유형 분류에 대해 이전에 탐색되지 않은 마이크로스테이트 특징을 분석하였으며, ANOVA, 혼동 행렬, 단일 변수 분류기 등을 통해 진단 잠재력을 평가하였다.
• 기존의 기계학습 파이프라인과 엔드 투 엔드 딥 러닝 모델을 비교하여, 원시 EEG 데이터에서의 수작업 특징 공학과 자동 특징 학습을 평가하였다.
• AUC-ROC와 분류 정확도를 통해 성능을 철저히 평가하였으며, 인간의 진단 오차율을 초월하는 정확도를 목표로 하였다.
• 유일한 샘플 제거 교차검증을 포함한 다중 메트릭 및 검증 전략을 기반으로 성능에 따라 최종 분류기를 실증적으로 선정하였다.
• 이 연구는 우울증 하위 유형을 잘못 진단할 경우 고위험을 초래하는 문제를 해결하기 위해 임상적으로 적용 가능하고 확장 가능한 진단 도구를 개발하는 것을 목표로 한다.