[论文解读] Machine Learning on Human Connectome Data from MRI

Colin J. Brown, Ghassan Hamarneh|arXiv (Cornell University)|Nov 26, 2016

Functional Brain Connectivity Studies参考文献 16被引用 48

一句话总结

本文综述了机器学习在基于MRI的人脑连接组数据中的应用，整合了77项研究，分析了预测临床结局和识别脑功能子网络的方法。文章强调了高维小样本量等挑战，评估了针对网络结构数据定制的特征工程与学习模型，并倡导多模态数据整合及标准化、开放的数据集，以推动临床转化。

ABSTRACT

Functional MRI (fMRI) and diffusion MRI (dMRI) are non-invasive imaging modalities that allow in-vivo analysis of a patient's brain network (known as a connectome). Use of these technologies has enabled faster and better diagnoses and treatments of neurological disorders and a deeper understanding of the human brain. Recently, researchers have been exploring the application of machine learning models to connectome data in order to predict clinical outcomes and analyze the importance of subnetworks in the brain. Connectome data has unique properties, which present both special challenges and opportunities when used for machine learning. The purpose of this work is to review the literature on the topic of applying machine learning models to MRI-based connectome data. This field is growing rapidly and now encompasses a large body of research. To summarize the research done to date, we provide a comparative, structured summary of 77 relevant works, tabulated according to different criteria, that represent the majority of the literature on this topic. (We also published a living version of this table online at http://connectomelearning.cs.sfu.ca that the community can continue to contribute to.) After giving an overview of how connectomes are constructed from dMRI and fMRI data, we discuss the variety of machine learning tasks that have been explored with connectome data. We then compare the advantages and drawbacks of different machine learning approaches that have been employed, discussing different feature selection and feature extraction schemes, as well as the learning models and regularization penalties themselves. Throughout this discussion, we focus particularly on how the methods are adapted to the unique nature of graphical connectome data. Finally, we conclude by summarizing the current state of the art and by outlining what we believe are strategic directions for future research.

研究动机与目标

• 系统性地回顾并整合关于将机器学习应用于基于MRI的人脑连接组数据的日益增长的研究文献。
• 识别并比较适用于连接组网络独特拓扑结构的关键机器学习方法、特征选择/提取技术以及正则化策略。
• 解决连接组研究中常见的高维小样本量（HDSSS）问题，即 N ≪ M（扫描数量 ≪ 特征数量）。
• 探索尚未被充分利用的机器学习范式，如结构化预测，以及结构（dMRI）与功能（fMRI）连接组的多模态整合。
• 通过在线动态、持续更新的参考表格，推动数据标准化、开放协作和社区驱动的更新。

提出的方法

• 对机器学习在MRI连接组数据领域中的77项相关研究进行了对比性、结构化的综述。
• 根据数据模态（fMRI、dMRI或两者）、学习任务（如分类、回归）、特征表示（如边权重、图统计量）和模型架构对研究进行分类。
• 评估了基于图的特征工程方法（如度、聚类系数）以及针对网络拓扑结构量身定制的变换方法。
• 分析了正则化技术（如L1、L2、基于图拉普拉斯的惩罚项）在HDSSS环境下缓解过拟合的效果。
• 探讨了线性分类器、支持向量机、随机森林以及适用于图结构数据的深度学习架构等学习模型。
• 提出在 http://connectomelearning.cs.sfu.ca/ 建立一个在线动态表格，以支持社区贡献并保持文献综述的时效性。

实验结果

研究问题

• RQ1 从基于MRI的连接组数据中预测临床结局时，最有效的机器学习模型和特征工程策略是什么？
• RQ2 不同的正则化与学习框架如何应对连接组研究中的高维小样本量（HDSSS）问题？
• RQ3 在机器学习模型中整合结构（dMRI）与功能（fMRI）连接组数据的优势与局限性是什么？
• RQ4 结构化预测模型如何应用于连接组数据，以预测复杂的输出（如子网络或行为状态）？
• RQ5 开放、标准化且由社区维护的数据集与基准测试在推动基于连接组的机器学习模型临床转化中发挥什么作用？

主要发现

• 各研究中扫描数（N）的中位数为59，特征数（M）的中位数为2,850，证实了典型的HDSSS问题（N ≪ M）。
• 尽管HDSSS普遍存在，但仅少数研究采用先进的正则化或特征选择方法来缓解过拟合。
• 大多数研究仅使用fMRI数据，即使dMRI数据可用，表明结构连接信息未被充分利用。
• 仅有少数研究探索了结构化预测，表明在从连接组中建模复杂、结构化输出方面存在显著的未来研究机会。
• 多模态连接组数据整合（dMRI + fMRI）揭示了有意义的生物学差异，并在特定情况下提升了预测性能。
• 作者开发并维护了一个动态的、由社区贡献的在线表格，网址为 http://connectomelearning.cs.sfu.ca/，作为该领域持续研究的活体参考。