[论文解读] A review of heterogeneous data mining for brain disorders

Bokai Cao, Xiangnan Kong+1 more|arXiv (Cornell University)|Aug 5, 2015

Functional Brain Connectivity Studies参考文献 76被引用 3

一句话总结

本文综述了用于异质性脑疾病分析的先进数据挖掘技术，重点聚焦于张量化神经影像数据、脑连接网络以及多视角临床特征。提出了一套集成方法，用于挖掘跨多种模态（如fMRI、DTI和PET）的高维结构化数据，结合张量分解、子图模式挖掘和多视角特征选择，以提升阿尔茨海默病和帕金森病等疾病早期诊断与机制理解能力。

ABSTRACT

With rapid advances in neuroimaging techniques, the research on brain disorder identification has become an emerging area in the data mining community. Brain disorder data poses many unique challenges for data mining research. For example, the raw data generated by neuroimaging experiments is in tensor representations, with typical characteristics of high dimensionality, structural complexity and nonlinear separability. Furthermore, brain connectivity networks can be constructed from the tensor data, embedding subtle interactions between brain regions. Other clinical measures are usually available reflecting the disease status from different perspectives. It is expected that integrating complementary information in the tensor data and the brain network data, and incorporating other clinical parameters will be potentially transformative for investigating disease mechanisms and for informing therapeutic interventions. Many research efforts have been devoted to this area. They have achieved great success in various applications, such as tensor-based modeling, subgraph pattern mining, multi-view feature analysis. In this paper, we review some recent data mining methods that are used for analyzing brain disorders.

研究动机与目标

• 解决来自fMRI、DTI和PET等不同模态的高维结构化神经影像数据的分析挑战。
• 整合张量、脑网络与临床向量等异质性数据表示，以提升疾病检测与机制洞察能力。
• 通过开发适用于张量与图结构数据的方法，克服传统基于向量的数据挖掘在脑疾病研究中的局限性。
• 通过利用多模态互补数据源，实现神经退行性疾病与精神疾病的早期诊断。
• 通过统一框架整合张量分析、网络挖掘与多视角学习，推进脑疾病数据挖掘技术的发展。

提出的方法

• 应用张量分解方法，将多模态神经影像数据（如fMRI）分解为低秩分量，以实现降维与特征提取。
• 基于张量数据，通过感兴趣区（ROI）分割与基于相关性或偏相关性的图建模方法，构建脑连接网络。
• 采用子图模式挖掘方法，识别与特定疾病相关的脑网络中重复出现且具有生物学意义的子网络。
• 采用包装模型实现多视角特征选择，联合优化临床与影像视角的特征相关性与分类器性能。
• 利用一种双重方法，挖掘原始特征与重构张量积特征之间的关系，以增强多视角设置下的特征选择效果。
• 提出结合递归特征消除的多视角SVM，以整合高阶特征交互作用，支持分类或回归任务。

实验结果

研究问题

• RQ1 张量基数据挖掘方法如何有效建模高维多模态神经影像数据（如fMRI与DTI）？
• RQ2 在脑连接网络中，哪些最具信息量的子图模式与特定脑疾病相关？
• RQ3 多视角特征选择技术如何整合异质性临床与影像特征，以提升诊断准确性？
• RQ4 在统一的数据挖掘框架中结合张量、图与向量表示，面临哪些挑战与机遇？
• RQ5 如何利用生物信息学中的异质性信息网络，揭示与脑疾病相关的基因-疾病关联与药物-靶点关系？

主要发现

• 张量分解能够有效实现对复杂多维神经影像数据（如fMRI与DTI）的降维与潜在特征提取。
• 子图模式挖掘成功识别出与脑疾病相关的、具有生物学意义的重复网络基序。
• 联合优化特征相关性与分类器性能的多视角特征选择方法，相比单视角方法显著提升了诊断准确性。
• 多模态神经影像数据（如结构MRI、fMRI、PET）的整合，增强了具有更丰富语义意义的疾病相关模式检测能力。
• 一种利用原始特征与张量积特征之间关系的双重多视角特征选择方法，提升了模型可解释性与性能。
• 生物信息学中的异质性信息网络可揭示新型基因-疾病关联与药物-靶点关系，为脑疾病机制与治疗靶点提供新见解。