[論文レビュー] Predicting conversion of mild cognitive impairment to Alzheimer's disease

Yiran Wei, Stephen J. Price+2 more|arXiv (Cornell University)|Mar 8, 2022

Advanced Neuroimaging Techniques and Applications被引用数 6

ひとこと要約

本研究では、拡散MRIをガイドとして用い、日常的T1強調MRIから高精度な構造的脳ネットワークを生成する自己教師付き対照的学習フレームワークを提案する。このフレームワークにより、軽度認知障害（MCI）からアルツハイマー病（AD）への移行を正確に予測可能となる。グラフオートエンコーダーを用いて健全な加齢経路をモデル化し、RNNを用いて縦断的乖離を追跡することで、MCIからADへの予測において最先端の性能を達成し、白質異常の解釈可能性が向上した。

ABSTRACT

Alzheimer's disease (AD) is the most common age-related dementia. Mild cognitive impairment (MCI) is the early stage of cognitive decline before AD. It is crucial to predict the MCI-to-AD conversion for precise management, which remains challenging due to the diversity of patients. Previous evidence shows that the brain network generated from diffusion MRI promises to classify dementia using deep learning. However, the limited availability of diffusion MRI challenges the model training. In this study, we develop a self-supervised contrastive learning approach to generate structural brain networks from routine anatomical MRI under the guidance of diffusion MRI. The generated brain networks are applied to train a learning framework for predicting the MCI-to-AD conversion. Instead of directly modelling the AD brain networks, we train a graph encoder and a variational autoencoder to model the healthy ageing trajectories from brain networks of healthy controls. To predict the MCI-to-AD conversion, we further design a recurrent neural networks based approach to model the longitudinal deviation of patients' brain networks from the healthy ageing trajectory. Numerical results show that the proposed methods outperform the benchmarks in the prediction task. We also visualize the model interpretation to explain the prediction and identify abnormal changes of white matter tracts.

研究の動機と目的

• 臨床的および神経画像診断の多様性に直面する中で、MCIからADへの移行を予測する課題に対処すること。
• 広く利用可能なT1強調MRIから信頼性の高い構造的脳ネットワークを生成し、拡散MRIを監視信号として活用すること。
• 病理的脳ネットワークを直接モデル化するのではなく、健全な加齢経路からの縦断的乖離をモデル化することで、予測性能を向上させること。
• 疾病の進行に関連する異常な白質線条と関連付けることで、モデルの解釈可能性を高めること。

提案手法

• 対照的自己教師付き学習アプローチにより、T1-MRI特徴量を脳ネットワーク表現にマップするグラフエンコーダーを訓練し、拡散MRIから得られる結合性をガイドとして用いる。
• 変分オートエンコーダーが、認知的に正常な被験者の脳ネットワークから健全な加齢経路の分布を学習する。
• RNNベースのフレームワークにより、MCI被験者の脳ネットワークの縦断的変化を、学習済みの健全な加齢経路に対してモデル化する。
• 生成された脳ネットワークにおけるエッジ特徴量は、灰色 Matterの共変動と白質結合性の両方をエンコードし、マルチモodalな構造的特徴化を可能にする。
• モデル解釈は、患者のネットワークと健全経路との間の残差偏差を計算することで実施され、異常な線条が強調される。
• フレームワークは、PyTorchを用いてエンドツーエンドで訓練され、早期停止、1000エポック、5分割交差検証が適用された。

実験結果

リサーチクエスチョン

• RQ1 日常的T1-MRIから拡散MRIのガイダンスを用いて、グレイマターとワイトマターの結合性を両方捉える構造的脳ネットワークを効果的に生成できるか？
• RQ2 健全な加齢経路からの縦断的乖離をモデル化することで、直接的な疾患モデル化と比較して、MCIからADへの移行予測性能が向上するか？
• RQ3 提案手法は、認知機能低下に関連する生物学的に意味のある白質異常を同定できるか？
• RQ4 提案手法の性能は、静的および動的ベンチマークと比較して、MCIからADへの移行予測においてどのように評価されるか？

主な発見

• 提案手法は、T1-MRIから得られる脳ネットワークを用いて、アルツハイマー病と認知的に正常な個体を分類する際、86.1%の精度を達成した。
• MCIからADへの移行予測において、83.9%の精度を達成し、ResNetベースライン（80.2%）およびITGNNベンチマーク（65.9%）を顕著に上回った。
• モデルの解釈により、上位5%の残差エッジが白質高信号に対応しており、特に認知機能低下に関連する領域に集中していた。
• 生成された脳ネットワークにノード特徴量とエッジ特徴量の両方を組み込むことで、86.1%の精度に向上したが、エッジ特徴量のみを用いた場合の84.2%と比較して有意に向上した。
• 既存のベンチマークと比較して、MCIからADへの移行予測において、感受性（86.8%）と特異性（81.8%）の両方が優れていた。
• フレームワークは、健全な加齢経路では説明できない異常な白質線条を効果的に同定し、臨床的意義を示した。