[论文解读] Classification of Resting-State fMRI using Evolutionary Algorithms: Towards a Brain Imaging Biomarker for Parkinson's Disease

Amir Dehsarvi, Smith, Stephen L.|arXiv (Cornell University)|Oct 11, 2019

Functional Brain Connectivity Studies参考文献 68被引用 5

一句话总结

本研究提出了一种笛卡尔遗传编程（CGP）在帕金森病（PD）早期检测中对帕金森病患者（PPMI）数据集的休息态功能磁共振成像（fMRI）数据进行分类的新应用，成功将前驱期PD患者与健康对照组区分开，准确率最高达75.21%，标志着在识别临床前期生物标志物方面的重要进展。CGP在保持竞争力准确率的同时，展现出优于传统方法的可解释性，证明其在神经退行性疾病脑影像生物标志物发现中的潜力。

ABSTRACT

Accurate early diagnosis and monitoring of neurodegenerative conditions is essential for effective disease management and delivery of medication and treatment. This research develops automatic methods for detecting brain imaging preclinical biomarkers for Parkinson's disease (PD) by considering the novel application of evolutionary algorithms. A fundamental novel element of this work is the use of evolutionary algorithms to both map and predict the functional connectivity in patients using resting state functional MRI data taken from the PPMI to identify PD progression biomarkers. Specifically, Cartesian Genetic Programming was used to classify DCM data as well as time-series data. The findings were validated using two other commonly used classification methods (Artificial Neural Networks and Support Vector Machines) and by employing k-fold cross-validation. Across DCM and time-series analyses, findings revealed maximum accuracies of 75.21% for early stage (prodromal) PD patients versus healthy controls, 85.87% for PD patients versus prodromal PD patients, and 92.09% for PD patients versus healthy controls. Prodromal PD patients were classified from healthy controls with high accuracy - this is notable and represents the key finding of this research since current methods of diagnosing prodromal PD have both low reliability and low accuracy. Furthermore, Cartesian Genetic Programming provided comparable performance accuracy relative to ANN and SVM. Evolutionary algorithms enable us to decode the classifier in terms of understanding the data inputs that are used, more easily than in ANN and SVM. Hence, these findings underscore the relevance of both DCM analyses for classification and CGP as a novel classification tool for brain imaging data with medical implications for disease diagnosis, particularly in early and asymptomatic stages.

研究动机与目标

• 开发一种自动识别帕金森病临床前期脑影像生物标志物的进化算法方法。
• 评估笛卡尔遗传编程（CGP）在分类休息态fMRI数据功能连接模式方面的性能。
• 将CGP的分类准确率与可解释性与人工神经网络（ANN）和支持向量机（SVM）等成熟方法进行比较。
• 评估利用动态因果建模（DCM）和时间序列fMRI数据区分PD各阶段（包括前驱期PD）的可行性。
• 通过从神经影像中识别可靠的数据驱动生物标志物，推动帕金森病的早期和准确诊断。

提出的方法

• 采用笛卡尔遗传编程（CGP）对来自帕金森病生物样本库（PPMI）计划的休息态fMRI数据提取的功能连接模式进行分类。
• 该方法将时间序列数据和动态因果建模（DCM）输出均作为输入特征用于分类。
• 采用k折交叉验证策略以确保性能评估的稳健性并减少过拟合。
• 将分类性能与两种标准机器学习模型（人工神经网络（ANN）和支持向量机（SVM））进行基准对比。
• 利用CGP的可解释性分析对分类决策贡献最大的脑连接特征。
• 从演化得到的CGP程序中提取特征重要性，实现对分类规则的生物学解释。

实验结果

研究问题

• RQ1 如CGP等进化算法能否有效分类休息态fMRI数据以检测早期（前驱期）帕金森病？
• RQ2 在区分PD亚型与对照组方面，CGP的分类准确率与传统模型（如ANN和SVM）相比如何？
• RQ3 CGP在多大程度上能够提供可解释的模型，以揭示最能预测PD进展的功能连接特征？
• RQ4 与原始时间序列fMRI数据相比，基于DCM的连接特征是否能提升分类性能？
• RQ5 在当前临床诊断存在局限性的前提下，是否可行利用fMRI与进化计算高精度检测前驱期PD？

主要发现

• 所提出的基于CGP的方法在将前驱期帕金森病患者与健康对照组区分开时，最高分类准确率达到75.21%，凸显其在早期检测中的潜力。
• 在将已确诊PD患者与健康对照组区分开时，该方法准确率达到92.09%，表明其在疾病晚期具有强大的判别能力。
• 在区分PD患者与前驱期PD患者时，模型准确率达到85.87%，表明其具备识别疾病进展阶段的能力。
• CGP在分类性能上与ANN和SVM相当，同时提供了更优的底层决策规则可解释性。
• 使用DCM数据可提升分类性能，表明建模有效连接性有助于增强生物标志物的检测能力。
• CGP的可解释性使关键功能连接特征得以识别，支持研究结果的生物学合理性与临床相关性。