[论文解读] Prediction of Autism Treatment Response from Baseline fMRI using Random Forests and Tree Bagging

Nicha C. Dvornek, Daniel Y.‐J. Yang+5 more|arXiv (Cornell University)|May 24, 2018

Autism Spectrum Disorder Research参考文献 13被引用 6

一句话总结

本研究提出了一种新颖的机器学习流程，结合随机森林回归与树袋装法（tree bagging），利用基线任务态功能性磁共振成像（fMRI）预测自闭症谱系障碍（ASD）儿童对关键反应治疗（Pivotal Response Treatment, PRT）的个体化反应。通过从与社会动机相关的脑区中选取信息量丰富的体素，并采用逐步模型优化与偏差校正，该方法在留一法交叉验证中实现了最高的预测准确率（R = 0.83），显著优于标准方法。

ABSTRACT

Treating children with autism spectrum disorders (ASD) with behavioral interventions, such as Pivotal Response Treatment (PRT), has shown promise in recent studies. However, deciding which therapy is best for a given patient is largely by trial and error, and choosing an ineffective intervention results in loss of valuable treatment time. We propose predicting patient response to PRT from baseline task-based fMRI by the novel application of a random forest and tree bagging strategy. Our proposed learning pipeline uses random forest regression to determine candidate brain voxels that may be informative in predicting treatment response. The candidate voxels are then tested stepwise for inclusion in a bagged tree ensemble. After the predictive model is constructed, bias correction is performed to further increase prediction accuracy. Using data from 19 ASD children who underwent a 16 week trial of PRT and a leave-one-out cross-validation framework, the presented learning pipeline was tested against several standard methods and variations of the pipeline and resulted in the highest prediction accuracy.

研究动机与目标

• 为解决临床中识别ASD患者有效行为疗法的挑战，目前因治疗反应高度可变而依赖试错法。
• 开发一种数据驱动方法，利用基线fMRI预测个体对关键反应治疗（Pivotal Response Treatment, PRT）的反应，PRT是ASD的主流循证疗法。
• 通过使用随机森林实现稳健的变量选择，并利用集成学习提升预测准确率，以克服神经影像学中“大p，小n”问题。
• 通过逐步变量优化与偏差校正提升模型性能，尤其改善结果分布极端值处的预测效果。

提出的方法

• 初始输入为与社会动机相关脑区（包括眶额皮层、腹内侧前额叶皮层、杏仁核和腹侧纹状体）中fMRI体素的t统计量值。
• 使用随机森林回归对体素重要性进行排序，平均在交叉验证试验中选取前13个候选预测变量。
• 通过按重要性顺序逐步加入候选体素，构建袋装树集成模型，过滤冗余或噪声输入，以提高模型稳定性和准确性。
• 在模型训练后应用偏差校正，以降低预测误差，尤其改善极端结果值的预测精度，进一步提升准确性。
• 该流程在19名接受16周PRT治疗的ASD儿童的fMRI与SRS评分数据上，采用留一法交叉验证进行评估。
• 性能通过均方误差（MSE）、相关系数（r）、相对平均绝对误差（RAE）和平均绝对百分比误差（MAPE）等指标评估，并使用置换检验检验显著性。

实验结果

研究问题

• RQ1 在PRT治疗前采集的任务态fMRI数据能否预测ASD儿童对治疗的个体化反应？
• RQ2 在小样本神经影像学研究中，基于随机森林的变量选择策略相比标准机器学习方法是否能显著提升预测准确率？
• RQ3 在袋装树集成模型中逐步引入候选体素是否能比单独使用随机森林获得更好的预测性能？
• RQ4 偏差校正在多大程度上提升了预测准确率，尤其是在治疗结果极端的患者中？
• RQ5 哪些特定脑区及体素对预测ASD患者PRT反应最具信息量？

主要发现

• 所提出的RF-BS-BC（随机森林结合袋装法与偏差校正）流程在真实SRS评分变化与预测值之间实现了最高的预测准确率，相关系数（r）达0.83。
• 该方法显著优于标准随机森林（r = 0.39）和支撑向量机（r = 0.46），相关性提升的p值为0.001。
• 与未经校正的模型相比，偏差校正使预测误差降低超过20%，尤其显著提升了极端结果患者预测的准确性。
• 平均而言，仅选择5个体素作为最终输入，表明在逐步优化过程中有效过滤了噪声与冗余信息。
• 眶额皮层与杏仁核被确定为最具信息量的脑区，这些区域的体素在最终预测模型中被包含的频率最高。
• 置换检验证实，所有模型（包括基线随机森林与SVM）均学习到了fMRI输入与治疗结果之间的有意义关系（除SVM的治疗后误差外，其余p < 0.05）。