磁気共鳴イメージングを用いたアルツハイマー病の早期発見.畳み込みニューラルネットワークとアンサンブル学習を組み合わせた新しいアプローチ

Early Detection of Alzheimer's Disease Using Magnetic Resonance Imaging: A Novel Approach Combining Convolutional Neural Networks and Ensemble Learning.

• Dan Pan
• An Zeng
• Longfei Jia
• Yin Huang
• Tory Frizzell
• Xiaowei Song

抄録

アルツハイマー病（AD）の効果的な管理には早期発見が重要であり、軽度認知障害（MCI）のスクリーニングは一般的に行われています。MRI（磁気共鳴画像）上の脳の構造変化を評価するために応用されてきた深層学習技術の中で、畳み込みニューラルネットワーク（CNN）は、多様な多層パーセプトロンを用いた自動特徴学習の効率の高さから人気を集めている。一方、アンサンブル学習（EL）は、複数のモデルを統合することで、学習システムの性能のロバスト性に有利であることが示されている。ここでは、MRIを用いてMCIまたはADのある被験者を識別するために、CNNとEL、すなわちCNN-ELアプローチを組み合わせて開発した分類器アンサンブルを提案した：(1)ADと健常認知(HC)、(2)MCIc(ADに転化するMCI患者)とHC、(3)MCIcとMCInc(ADに転化しないMCI患者)の分類。それぞれの二値分類タスクについて、多数のCNNモデルを矢状筋、冠状筋、または横方向MRIスライスのセットを適用して訓練した；これらのCNNモデルは、その後、単一のアンサンブルに統合された。アンサンブルの性能は、10回の層別5倍クロスバリデーション法を用いて評価した。標準的なモントリオール神経研究所（MNI）空間に変換された矢状、冠状、横方向のスライスセットの中で2つのクラスを分ける2値分類タスクで最も識別可能なスライスによって決定された交点の数は、ADを分類するために点が配置されている脳領域の能力を評価する指標として機能した。したがって、交点が最も多い脳領域は、ADの早期診断に最も貢献している領域と考えられた。その結果、AD対HC、MCIc対HC、MCIc対MCIncの分類精度は、それぞれ0.84±0.05、0.79±0.04、0.62±0.06と、これまでの報告や、チャネル注意メカニズムを用いたより最先端で一般的なSqueeze-and-Excitation Networksモデルに基づく3Dディープラーニングアプローチ（3D-SENet）と同等の精度を示した。注目すべきことに、交点は内側側頭葉と大脳辺縁系の他のいくつかの構造、すなわち、ADの初期に襲われることが知られている脳領域を正確に特定していました。さらに興味深いことに、分類器は、これらの重要な領域を含む、ADおよびMCIcにおける脳内の複数のパターン化されたMRIの変化を開示した。これらの結果は、データ駆動型の手法として、CNNとELを組み合わせたアプローチは、訓練されたアンサンブルモデルの一般化能力が最大化されている間に、訓練されたアンサンブルモデルによって示された最も識別可能な脳領域を見つけ出すことができ、病気のプロセスの初期にADに関連する脳の変化をうまく捉えることができたことを示唆している；また、ADにおける全脳MRI変化の複雑な不均一性を理解するための新たな洞察を提供することができます。本発見の臨床的意味合い、個々の被験者の病状、症状の負担や進行状況の理解と評価に役立つCNN-ELアプローチの能力、統合失調症、自閉症、重度のうつ病などの他の脳疾患の検出において最も識別可能な脳領域を特定するためのCNN-ELアプローチの一般化可能性を、データに基づいた方法で検討するためには、さらなる研究が必要である。

Early detection is critical for effective management of Alzheimer's disease (AD) and screening for mild cognitive impairment (MCI) is common practice. Among several deep-learning techniques that have been applied to assessing structural brain changes on magnetic resonance imaging (MRI), convolutional neural network (CNN) has gained popularity due to its superb efficiency in automated feature learning with the use of a variety of multilayer perceptrons. Meanwhile, ensemble learning (EL) has shown to be beneficial in the robustness of learning-system performance via integrating multiple models. Here, we proposed a classifier ensemble developed by combining CNN and EL, i.e., the CNN-EL approach, to identify subjects with MCI or AD using MRI: i.e., classification between (1) AD and healthy cognition (HC), (2) MCIc (MCI patients who will convert to AD) and HC, and (3) MCIc and MCInc (MCI patients who will not convert to AD). For each binary classification task, a large number of CNN models were trained applying a set of sagittal, coronal, or transverse MRI slices; these CNN models were then integrated into a single ensemble. Performance of the ensemble was evaluated using stratified fivefold cross-validation method for 10 times. The number of the intersection points determined by the most discriminable slices separating two classes in a binary classification task among the sagittal, coronal, and transverse slice sets, transformed into the standard Montreal Neurological Institute (MNI) space, acted as an indicator to assess the ability of a brain region in which the points were located to classify AD. Thus, the brain regions with most intersection points were considered as those mostly contributing to the early diagnosis of AD. The result revealed an accuracy rate of 0.84 ± 0.05, 0.79 ± 0.04, and 0.62 ± 0.06, respectively, for classifying AD vs. HC, MCIc vs. HC, and MCIc vs. MCInc, comparable to previous reports and a 3D deep learning approach (3D-SENet) based on a more state-of-the-art and popular Squeeze-and-Excitation Networks model using channel attention mechanism. Notably, the intersection points accurately located the medial temporal lobe and several other structures of the limbic system, i.e., brain regions known to be struck early in AD. More interestingly, the classifiers disclosed multiple patterned MRI changes in the brain in AD and MCIc, involving these key regions. These results suggest that as a data-driven method, the combined CNN and EL approach can locate the most discriminable brain regions indicated by the trained ensemble model while the generalization ability of the ensemble model was maximized to successfully capture AD-related brain variations early in the disease process; it can also provide new insights into understanding the complex heterogeneity of whole-brain MRI changes in AD. Further research is needed to examine the clinical implication of the finding, capability of the advocated CNN-EL approach to help understand and evaluate an individual subject's disease status, symptom burden and progress, and the generalizability of the advocated CNN-EL approach to locate the most discriminable brain regions in the detection of other brain disorders such as schizophrenia, autism, and severe depression, in a data-driven way.

Copyright © 2020 Pan, Zeng, Jia, Huang, Frizzell and Song.