[论文解读] Eye-Movement behavior identification for AD diagnosis

Juan Andrés Biondi, Gerardo Fernández+2 more|arXiv (Cornell University)|Feb 2, 2017

Machine Learning in Bioinformatics参考文献 13被引用 19

一句话总结

本研究提出一种深度学习框架，结合去噪稀疏自编码器与Softmax分类器，利用阅读过程中的眼动数据识别阿尔茨海默病（AD）。通过从高可预测性与低可预测性句子及谚语中提取逐次试验的眼动描述符，该模型在区分AD患者与健康对照组方面实现了89.78%的准确率，展示了其在早期、非侵入性诊断方面的强大潜力。

ABSTRACT

In the present work, we develop a deep-learning approach for differentiating the eye-movement behavior of people with neurodegenerative diseases over healthy control subjects during reading well-defined sentences. We define an information compaction of the eye-tracking data of subjects without and with probable Alzheimer's disease when reading a set of well-defined, previously validated, sentences including high-, low-predictable sentences, and proverbs. Using this information we train a set of denoising sparse-autoencoders and build a deep neural network with these and a softmax classifier. Our results are very promising and show that these models may help to understand the dynamics of eye movement behavior and its relationship with underlying neuropsychological correlates.

研究动机与目标

• 开发一种机器学习方法，通过阅读任务区分阿尔茨海默病（AD）患者与健康对照组的眼动模式。
• 从阅读结构化语言刺激过程中的眼动数据中提取有意义的、逐次试验的眼动描述符。
• 评估一种深层神经网络架构——具体为去噪稀疏自编码器与Softmax分类器结合——在基于这些眼动模式分类AD方面的性能。
• 探索模型输出得分与精神科医生提供的临床严重程度评分之间的相关性，以验证模型的诊断相关性。

提出的方法

• 受试者包括AD患者和健康对照组，阅读一组经过验证的语言刺激材料：高可预测性与低可预测性句子及谚语。
• 收集并处理眼动数据，提取捕捉阅读行为的逐次试验描述符，如注视持续时间、扫视长度和回视频率。
• 使用堆叠的去噪稀疏自编码器构建深层神经网络，以学习眼动特征的分层表示。
• 将学习到的特征输入Softmax分类器，实现AD与对照组状态的二分类。
• 对每位患者的所有句子应用多数投票策略，以提高个体水平的分类准确率。
• 通过分析后期自编码器层的特征特化性，并比较相似输入模式下的编码表示，评估模型的可解释性。

实验结果

研究问题

• RQ1 能否可靠地利用阅读过程中眼动模式，通过深度学习区分阿尔茨海默病患者与健康对照组？
• RQ2 自编码器层次结构中学习到的表示在多大程度上反映了眼动数据中有意义的、非随机的结构？
• RQ3 模型输出与精神科医生评定的临床严重程度评分之间的相关性如何？
• RQ4 通过聚合多个阅读试验的预测结果，能否提高个体水平的诊断准确率？
• RQ5 模型输出是否对认知功能下降的严重程度敏感，如临床评分所指示的那样？

主要发现

• 该深度学习模型在基于阅读任务中眼动描述符区分AD患者与健康对照组方面，实现了89.78%的试验级别分类准确率。
• 当对每位患者的所有句子应用多数投票策略时，模型在测试集中所有8名患者的分类准确率达到100%。
• 模型输出得分与精神科医生评定的临床严重程度评分具有强相关性，预测得分与评定得分之间的平均差异为0.19（标准差=0.15）。
• 自编码器层对相似输入表现出平滑且一致的编码，并在后期层中显示出对AD特异性或对照特异性特征的检测特化。
• 模型性能表明，阅读过程中眼动模式编码了与认知状态相关的临床信息，可能作为非侵入性生物标志物。
• 本研究凸显了深度学习在提取与神经心理学评估一致的细微、诊断性眼动行为模式方面的潜力。