[论文解读] Neural Processes Mixed-Effect Models for Deep Normative Modeling of Clinical Neuroimaging Data

Seyed Mostafa Kia, André F. Marquand|arXiv (Cornell University)|Dec 12, 2018

Functional Brain Connectivity Studies参考文献 32被引用 8

一句话总结

本文提出了一种基于神经过程的混合效应模型，用于临床fMRI数据的深度规范建模，通过学习随机效应和噪声的全局潜在变量，实现可扩展、不确定性感知、空间结构化的预测。在注意力缺陷多动障碍（ADHD）的新异样本检测中，该方法优于基于高斯过程的规范建模方法，在大规模临床fMRI数据集上实现了更高的准确率，同时保持了计算效率。

ABSTRACT

Normative modeling has recently been introduced as a promising approach for modeling variation of neuroimaging measures across individuals in order to derive biomarkers of psychiatric disorders. Current implementations rely on Gaussian process regression, which provides coherent estimates of uncertainty needed for the method but also suffers from drawbacks including poor scaling to large datasets and a reliance on fixed parametric kernels. In this paper, we propose a deep normative modeling framework based on neural processes (NPs) to solve these problems. To achieve this, we define a stochastic process formulation for mixed-effect models and show how NPs can be adopted for spatially structured mixed-effect modeling of neuroimaging data. This enables us to learn optimal feature representations and covariance structure for the random-effect and noise via global latent variables. In this scheme, predictive uncertainty can be approximated by sampling from the distribution of these global latent variables. On a publicly available clinical fMRI dataset, we compare the novelty detection performance of multivariate normative models estimated by the proposed NP approach to a baseline multi-task Gaussian process regression approach and show substantial improvements for certain diagnostic problems.

研究动机与目标

• 解决高斯过程回归在规范建模中的局限性，包括可扩展性差和依赖固定核函数的问题。
• 通过将混合效应模型整合到神经过程框架中，实现神经影像数据的空间结构化多变量建模。
• 在深度学习设置下，通过全局潜在变量学习随机效应和噪声的最优特征表示与协方差结构。
• 通过利用神经过程的预测不确定性，提升精神疾病的新异样本检测性能。
• 为大规模临床神经影像队列开发一种计算高效的多任务高斯过程回归替代方法。

提出的方法

• 采用张量高斯预测过程（TGPP）框架，将神经影像中的混合效应模型形式化为随机过程。
• 采用神经过程（NPs）对函数分布进行建模，学习编码不确定性与空间结构的全局潜在变量。
• 在NP架构中使用卷积神经网络（CNNs），以保留fMRI数据中的空间相关性，并降低参数共享成本。
• 应用随机变分推断来近似潜在变量的后验分布，实现在训练和推理中线性时间复杂度。
• 将上下文/目标点重新表述为上下文/目标函数，其中上下文函数代表来自部分受试者子集的固定效应估计，从而实现对随机效应方差结构的学习。
• 利用NPs的概率特性，估计认知不确定性（模型不确定性）与偶然不确定性（数据不确定性），以支持更稳健的生物标志物发现。

实验结果

研究问题

• RQ1 神经过程能否被有效适配以建模神经影像数据中的混合效应结构，同时保持空间依赖性？
• RQ2 与基于高斯过程的方法相比，所提出的基于NP的规范建模框架是否能提升精神疾病的新异样本检测性能？
• RQ3 该方法在多大程度上可扩展至大规模临床fMRI数据集，且不依赖于限制性核假设？
• RQ4 通过全局潜在变量，该模型在多大程度上能学习到随机效应和噪声的最优特征表示与协方差结构？
• RQ5 在NP框架中集成CNN是否能在不确定性估计过程中保持高维神经影像数据的空间结构？

主要发现

• 所提出的基于神经过程的规范建模框架在ADHD的新异样本检测性能上相比基线多任务高斯过程回归方法实现了显著提升。
• 该方法在无监督新异样本检测设置下，能更准确地从健康对照中识别ADHD患者。
• 计算复杂度在训练和推理中均与样本数量呈线性关系，支持扩展至大规模临床队列。
• 在NP架构中使用卷积神经网络能有效保留fMRI数据的空间结构，且无需对大规模协方差矩阵进行求逆。
• 通过从全局潜在变量中采样，预测不确定性被准确近似，支持稳健的生物标志物发现。
• 该框架通过端到端训练成功学习到结构化的随机效应与噪声协方差，避免了对正交基函数的限制性假设。