[論文レビュー] Prediction of Autism Treatment Response from Baseline fMRI using Random Forests and Tree Bagging

Nicha C. Dvornek, Daniel Y.‐J. Yang+5 more|arXiv (Cornell University)|May 24, 2018

Autism Spectrum Disorder Research参考文献 13被引用数 6

ひとこと要約

本研究では、自閉症スペクトラム症候群（ASD）を呈する乳幼児を対象に、ベースライン時のタスク駆動型fMRIからPivotal Response Treatment（PRT）への個別応答を予測するための新しい機械学習パイプラインを提案する。社会的動機づけ関連脳領域からの情報的特徴量を抽出し、バイアス補正を施した段階的モデル最適化を適用することで、交差検証における予測精度が最高水準のR = 0.83に達し、標準的手法を著しく上回った。

ABSTRACT

Treating children with autism spectrum disorders (ASD) with behavioral interventions, such as Pivotal Response Treatment (PRT), has shown promise in recent studies. However, deciding which therapy is best for a given patient is largely by trial and error, and choosing an ineffective intervention results in loss of valuable treatment time. We propose predicting patient response to PRT from baseline task-based fMRI by the novel application of a random forest and tree bagging strategy. Our proposed learning pipeline uses random forest regression to determine candidate brain voxels that may be informative in predicting treatment response. The candidate voxels are then tested stepwise for inclusion in a bagged tree ensemble. After the predictive model is constructed, bias correction is performed to further increase prediction accuracy. Using data from 19 ASD children who underwent a 16 week trial of PRT and a leave-one-out cross-validation framework, the presented learning pipeline was tested against several standard methods and variations of the pipeline and resulted in the highest prediction accuracy.

研究の動機と目的

• ASD患者に対する有効な行動療法を特定する臨床的課題に応えるため、治療反応のばらつきが著しい現在の試行錯誤型の手法に代わるアプローチを提供すること。
• ベースラインfMRIデータを活用して、ASDに対するエビデンスに基づいた主要な療法であるPivotal Response Treatment（PRT）への個別応答を予測するデータ駆動型手法を開発すること。
• 神経画像解析における「pが大きくnが小さい」問題に対処するため、ランダムフォレストを用いた頑健な変数選択とアンサンブル学習による予測精度の向上を図ること。
• 段階的変数精錬とバイアス補正を用いることで、特に結果分布の端末における予測性能を向上させること。

提案手法

• 初期入力は、社会的動機づけ関連脳領域（前頭前野腹内側部、縁側皮質、扁桃体、腹側striatum）におけるfMRIボクセルのt統計量である。
• ランダムフォレスト回帰を用いてボクセルの重要度を順位付けし、交差検証試行の平均で上位13個の候補予測変数を選定する。
• 重要度の高い順に候補ボクセルを段階的に統合することで、重複またはノイズの多い入力を除外するツリー袋だたみアンサンブルを構築し、モデルの安定性と精度を向上させる。
• モデル学習後、特に極端な結果値における予測誤差を低減するためにバイアス補正を適用し、さらに精度を向上させる。
• 19名のASD児を対象に、16週間のPRT受療前後のfMRIおよびSRSスコアデータを用い、LOOCV（1人を除いた交差検証）でパイプラインを評価する。
• 平均二乗誤差（MSE）、相関係数（r）、相対絶対誤差（RAE）、平均絶対パcent誤差（MAPE）を指標として用い、有意性の検定にはパーミュテーション検定を適用する。

実験結果

リサーチクエスチョン

• RQ1 PRT治療開始前に収集したタスク駆動型fMRIデータは、ASD児における個別的治療反応を予測できるか？
• RQ2 小標本神経画像解析研究において、ランダムフォレストベースの変数選択戦略は、標準的手法に比べて予測精度をどのように向上させるか？
• RQ3 候補ボクセルをツリー袋だたみアンサンブルに段階的に組み込むことで、単独のランダムフォレストに比べてより優れた予測性能が得られるか？
• RQ4 バイアス補正は、特に治療結果が極端な患者において、予測精度をどの程度向上させるか？
• RQ5 どの特定の脳領域およびボクセルが、ASDにおけるPRT反応予測に最も有用であるか？

主な発見

• 提案されたパイプライン（RF-BS-BC：ランダムフォレストに袋だたみとバイアス補正を組み合わせたもの）は、SRSスコアの変化量の真値と予測値との間に相関係数r = 0.83を達成し、最高の予測精度を示した。
• 標準的ランダムフォレスト（r = 0.39）およびサポートベクターマシン（r = 0.46）を著しく上回り、相関係数の向上はp = 0.001で有意であった。
• バイアス補正を施したモデルは、補正なしモデルと比較して予測誤差を20％以上低減し、特に極端な治療結果を示す患者の予測精度が顕著に向上した。
• 平均して、交差検証の各実行で最終入力として選ばれたボクセルはわずか5個にとどまり、段階的精錬によるノイズおよび重複要因の効果的フィルタリングが実現された。
• 最も予測に寄与する脳領域として、前頭前野腹内側部および扁桃体が特定され、これらの領域のボクセルが最終予測モデルに最も頻繁に含まれた。
• パーミュテーション検定の結果、ベースラインランダムフォレストおよびSVMを含むすべてのモデルが、fMRI入力と治療結果との間に意味のある関係を学習していた（SVMの治療後誤差を除き、すべてp < 0.05）。