[论文解读] DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications

Somaye Hashemifar, Claudia Iriondo+3 more|arXiv (Cornell University)|Mar 17, 2022

Machine Learning in Healthcare被引用 4

一句话总结

DeepAD 是一种多模态、多任务的深度学习模型，利用纵向临床、人口统计学和3D MRI 数据预测阿尔茨海默病的进展。通过整合3D CNN 提取的影像特征与表格数据，并应用对抗性损失和Sharpness-Aware Minimization（SAM），该模型在多样化队列中实现了最先进的泛化性能，将外部队列数据集的预测误差降低了高达30%。

ABSTRACT

The ability to predict the future trajectory of a patient is a key step toward the development of therapeutics for complex diseases such as Alzheimer's disease (AD). However, most machine learning approaches developed for prediction of disease progression are either single-task or single-modality models, which can not be directly adopted to our setting involving multi-task learning with high dimensional images. Moreover, most of those approaches are trained on a single dataset (i.e. cohort), which can not be generalized to other cohorts. We propose a novel multimodal multi-task deep learning model to predict AD progression by analyzing longitudinal clinical and neuroimaging data from multiple cohorts. Our proposed model integrates high dimensional MRI features from a 3D convolutional neural network with other data modalities, including clinical and demographic information, to predict the future trajectory of patients. Our model employs an adversarial loss to alleviate the study-specific imaging bias, in particular the inter-study domain shifts. In addition, a Sharpness-Aware Minimization (SAM) optimization technique is applied to further improve model generalization. The proposed model is trained and tested on various datasets in order to evaluate and validate the results. Our results showed that 1) our model yields significant improvement over the baseline models, and 2) models using extracted neuroimaging features from 3D convolutional neural network outperform the same models when applied to MRI-derived volumetric features.

研究动机与目标

• 开发一种稳健、可泛化的深度学习模型，用于在多样化临床队列中预测阿尔茨海默病的进展。
• 解决由扫描仪和协议差异引起的神经影像数据跨研究领域偏移问题。
• 通过融合包括MRI、临床和人口统计学特征在内的多模态数据，提高对连续认知评分（CDRSB、MMSE、ADAS-COG12）的预测准确性。
• 通过对抗性损失和Sharpness-Aware Minimization（SAM）优化提升模型泛化能力，增强对分布偏移的鲁棒性。
• 实现在真实临床环境中对早期阿尔茨海默病患者进行个性化、细粒度的疾病进展预后。

提出的方法

• 在全分辨率T1加权MRI扫描上端到端训练3D卷积神经网络（3D-CNN），以提取时空特征。
• 临床、人口统计学和基因组数据作为表格输入进行处理，并在多模态、多任务学习框架中与深度影像特征融合。
• 在训练过程中应用对抗性损失，以对齐不同研究站点的特征分布，减轻领域偏移的影响。
• 使用Sharpness-Aware Minimization（SAM）作为优化技术，通过在损失曲面中寻找更平坦的极小值来提升泛化性能。
• 在ADNI队列的多个数据集上进行模型训练和评估，包括研究内和研究外的测试集，以评估泛化能力。
• 执行端到端训练，联合优化三个认知终点（CDRSB、MMSE 和 ADAS-COG12）的预测。

实验结果

研究问题

• RQ1 融合临床、人口统计学和3D MRI 数据的多模态深度学习模型能否提高对阿尔茨海默病进展的预测准确性？
• RQ2 对抗性损失在减轻多中心神经影像数据中跨研究领域偏移方面的有效性如何？
• RQ3 引入Sharpness-Aware Minimization（SAM）是否能增强模型在多样化临床队列中的泛化能力？
• RQ4 使用3D-CNN提取的原始3D MRI 特征是否优于从分割流程中获得的传统体积特征？
• RQ5 该模型在未包含在训练中的新研究站点上的泛化程度如何？

主要发现

• 与基线模型相比，DeepAD 在研究外测试集上的预测准确性相对提高了30%，在使用SAM优化时测试损失最低，仅为0.4。
• 使用3D-CNN提取的特征的模型优于使用MRI衍生体积特征的模型，在MMSE预测中测试误差最高降低了30%。
• 对抗性损失提升了泛化能力，在未用于训练或验证的研究E中，MMSE预测的R²提高了0.22%，在研究F中提高了0.09%。
• 与标准SGD相比，使用SAM+SGD训练使收敛更稳定，R²从0.16提升至0.27，提高了0.11。
• 该模型对领域偏移表现出强鲁棒性，在所有三个认知评分上，研究外性能始终优于研究内基线。
• 当结合MRI和临床模态时，DeepAD在所有指标上均取得最佳表现，证实了多模态融合的价值。