[论文解读] Deep Chronnectome Learning via Full Bidirectional Long Short-Term Memory Networks for MCI Diagnosis

Weizheng Yan, Han Zhang+2 more|arXiv (Cornell University)|Aug 30, 2018

Functional Brain Connectivity Studies参考文献 3被引用 7

一句话总结

该论文提出了一种新型全双向长短期记忆网络（Full-BiLSTM），用于深度时序连接组学习，以提升基于静息态fMRI动态功能连接（dFC）的轻度认知障碍（MCI）诊断性能。通过捕捉双向时间依赖性并融合所有单元输出以建模内在脑状态转换，该方法在分类MCI与正常对照组时实现了73.6%的准确率和79.8%的AUC，优于现有最先进方法。

ABSTRACT

Brain functional connectivity (FC) extracted from resting-state fMRI (RS-fMRI) has become a popular approach for disease diagnosis, where discriminating subjects with mild cognitive impairment (MCI) from normal controls (NC) is still one of the most challenging problems. Dynamic functional connectivity (dFC), consisting of time-varying spatiotemporal dynamics, may characterize "chronnectome" diagnostic information for improving MCI classification. However, most of the current dFC studies are based on detecting discrete major brain status via spatial clustering, which ignores rich spatiotemporal dynamics contained in such chronnectome. We propose Deep Chronnectome Learning for exhaustively mining the comprehensive information, especially the hidden higher-level features, i.e., the dFC time series that may add critical diagnostic power for MCI classification. To this end, we devise a new Fully-connected Bidirectional Long Short-Term Memory Network (Full-BiLSTM) to effectively learn the periodic brain status changes using both past and future information for each brief time segment and then fuse them to form the final output. We have applied our method to a rigorously built large-scale multi-site database (i.e., with 164 data from NCs and 330 from MCIs, which can be further augmented by 25 folds). Our method outperforms other state-of-the-art approaches with an accuracy of 73.6% under solid cross-validations. We also made extensive comparisons among multiple variants of LSTM models. The results suggest high feasibility of our method with promising value also for other brain disorder diagnoses.

研究动机与目标

• 为解决利用静息态fMRI的动态功能连接（dFC）对轻度认知障碍（MCI）与正常对照组（NC）进行分类的挑战。
• 克服现有dFC方法依赖离散脑状态或空间聚类的局限性，这些方法忽略了丰富的时空动态特性。
• 开发一种端到端的深度学习框架，能够从dFC时间序列中挖掘隐藏的、更高阶的特征，以提升诊断能力。
• 验证全连接与双向上下文结合的Full-BiLSTM架构在dFC基MCI分类中，相较于标准LSTM和BiLSTM变体的优越性。

提出的方法

• 使用滑动窗口方法在116个ROI（AAL模板）的BOLD时间序列上计算动态功能连接（dFC），生成随时间变化的连接矩阵。
• 每个dFC矩阵被展平为T × M(M−1)/2的时间序列，其中T为滑动窗口数量，M = 116个ROI。
• 设计了一种新型全双向LSTM网络：每个LSTM单元输出隐藏状态，所有输出被拼接后输入融合层，以捕捉全局时间模式。
• 双向架构使每个时间步能够同时关注过去和未来上下文，从而更优地建模复杂的脑状态转换。
• 最终融合表示通过全连接层进行MCI与NC的二分类，使用交叉熵损失函数。
• 超参数消融研究包括调整隐藏单元数量（16、32、64）并评估数据增强效果，以优化性能。

实验结果

研究问题

• RQ1 能否通过建模dFC时间序列的完整时间上下文的深度学习框架，超越传统静态或聚类dFC方法，在MCI分类中实现更优性能？
• RQ2 在LSTM单元中引入双向上下文（过去与未来）是否能增强对dFC中意义明确的脑状态转换的检测能力？
• RQ3 将所有LSTM单元输出进行融合（Full-LSTM）是否比仅使用最终隐藏状态（Last-Output）在dFC基诊断中更具有效性？
• RQ4 架构选择（如深度（堆叠层）、隐藏单元大小及数据增强）如何影响模型在dFC数据上的性能表现？
• RQ5 所提出的Full-BiLSTM框架是否能泛化至MCI以外的其他脑部疾病？

主要发现

• 所提出的Full-BiLSTM模型在ADNI-2数据集上实现了73.6%的准确率和79.8%的AUC，显著优于传统方法，如静态FC + SVM（64.2% AUC）和dFC-变异性（49.0% AUC）。
• 具有32个隐藏单元的Full-BiLSTM模型表现最佳，16个单元容量不足，64个单元则导致过拟合，表明dFC序列建模存在最优容量。
• Full-BiLSTM优于所有对比的LSTM变体：BiLSTM_Last（71.0%准确率）、Full-LSTM（71.9%准确率）和堆叠Full-BiLSTM（69.0%准确率），证实全连接与双向性的优势。
• 数据增强提升了模型鲁棒性，排除后准确率下降2%，凸显其在处理小样本或类别不平衡dFC数据集中的重要性。
• 该模型对噪声具有鲁棒性，能够学习到内在的脑状态转换模式，因此比依赖噪声dFC变异性特征的方法更具可靠性。
• 本研究证实了“深度时序连接组学习”作为一种新型范式在个体化脑部疾病诊断中的可行性，利用dFC具有在其他神经退行性疾病中广泛应用的潜力。