[论文解读] Bayesian deep neural networks for low-cost neurophysiological markers of Alzheimer's disease severity

Wolfgang Fruehwirt, Adam D. Cobb+12 more|arXiv (Cornell University)|Dec 12, 2018

Metabolomics and Mass Spectrometry Studies参考文献 9被引用 12

一句话总结

本研究提出使用贝叶斯深度神经网络（BNNs）通过低成本、非侵入性的定量脑电图（QEEG）指标预测阿尔茨海默病（AD）严重程度。通过采用哈密顿蒙特卡洛（HMC）和蒙特卡洛丢弃法进行贝叶斯推断，该模型在大规模前瞻性AD脑电图数据集（n=188）上实现了优越的回归性能和可靠的不确定性估计，其中HMC BNN显著优于MC丢弃法BNN和标准神经网络，在均方误差和预测不确定性量化方面表现更优。

ABSTRACT

As societies around the world are ageing, the number of Alzheimer's disease (AD) patients is rapidly increasing. To date, no low-cost, non-invasive biomarkers have been established to advance the objectivization of AD diagnosis and progression assessment. Here, we utilize Bayesian neural networks to develop a multivariate predictor for AD severity using a wide range of quantitative EEG (QEEG) markers. The Bayesian treatment of neural networks both automatically controls model complexity and provides a predictive distribution over the target function, giving uncertainty bounds for our regression task. It is therefore well suited to clinical neuroscience, where data sets are typically sparse and practitioners require a precise assessment of the predictive uncertainty. We use data of one of the largest prospective AD EEG trials ever conducted to demonstrate the potential of Bayesian deep learning in this domain, while comparing two distinct Bayesian neural network approaches, i.e., Monte Carlo dropout and Hamiltonian Monte Carlo.

研究动机与目标

• 利用定量脑电图（QEEG）特征开发低成本、非侵入性的阿尔茨海默病（AD）严重程度神经生理生物标志物。
• 解决临床环境中AD进展评估缺乏客观、低成本且非侵入性生物标志物的问题。
• 利用贝叶斯深度学习处理稀疏临床数据，控制模型复杂度，并提供预测不确定性估计。
• 比较两种贝叶斯神经网络方法——哈密顿蒙特卡洛（HMC）与蒙特卡洛丢弃法（MC丢弃）——在预测MMSE评分方面的性能表现。
• 展示BNN在开发稳健、可泛化且可解释的基于QEEG的AD严重程度预测工具方面的可行性。

提出的方法

• 使用权重上的正态先验和回归任务中的高斯似然函数训练贝叶斯神经网络（BNNs），实现不确定性量化。
• 采用两种贝叶斯推断方法：哈密顿蒙特卡洛（HMC）用于精确后验采样，蒙特卡洛丢弃法用于变分近似。
• 模型使用820个QEEG指标，涵盖慢化、复杂性和功能连接性领域，经主成分分析归一化并降维至五个主成分。
• 采用嵌套的5×5交叉验证框架进行超参数调优和泛化性能评估，包括对丢弃率和权重精度的网格搜索。
• 通过均方误差（MSE）和标准化均方误差（SMSE）评估预测性能，其中SMSE通过预测方差进行归一化，用于评估不确定性校准程度。
• HMC BNN采用基于哈密顿动力学的采样方案，以探索权重上的后验分布；MC丢弃法则在推理过程中应用随机正则化，以近似后验预测分布。

实验结果

研究问题

• RQ1 贝叶斯深度神经网络能否有效利用低成本、非侵入性的QEEG指标预测阿尔茨海默病严重程度？
• RQ2 在稀疏临床脑电图数据集上，哈密顿蒙特卡洛与蒙特卡洛丢弃法BNN在预测准确性和不确定性量化方面表现如何比较？
• RQ3 在临床神经科学中典型的低数据量场景下，引入贝叶斯推断是否能提升模型的泛化能力与鲁棒性？
• RQ4 BNN能否提供可靠的预测不确定性估计，以支持AD进展监测中的临床决策？
• RQ5 在小样本、高维神经生理数据集中，不同贝叶斯推断方法在缓解过拟合方面的作用程度如何？

主要发现

• HMC贝叶斯神经网络在所有测试集上实现了最低的均方误差（MSE）12.17，显著优于MC丢弃法BNN（MSE：16.67）和标准神经网络（MSE：33.71）。
• HMC BNN展现出更优的不确定性校准能力，其标准化MSE（SMSE）为124.02，而MC丢弃法BNN为948.16，表明其预测方差估计更准确。
• MC丢弃法BNN系统性地低估了预测不确定性，导致SMSE值偏高，这是模式聚焦变分推断已知的局限性。
• 所有贝叶斯模型均选择两层隐藏层，每层100个神经元，表明在最优超参数设置下模型架构具有高度一致性。
• HMC BNN的性能优势具有统计显著性（p < 0.05），尤其在测试集5中表现突出（MSE：7.65），凸显其在稀疏数据下的鲁棒性。
• 本研究首次将HMC与MC丢弃法BNN应用于基于QEEG的AD严重程度预测，为构建概率性、可解释性且低成本的生物标志物奠定了基础。