複数の機能的結合に基づくグラフ畳み込みネットワークを用いた自閉症スペクトラム障害の識別

2024-06-23 Sun
自閉症スペクトラム障害グラフ畳み込みネットワーク機能的結合脳ネットワーク読み出し層
本文タイトルは「Identification of Autism Spectrum Disorder Using Multiple Functional Connectivity-based Graph Convolutional Network」で、雑誌「medical & biological engineering & computing」の2024年第62巻2133-2144ページに掲載されました。本研究は、グラフ畳み込みネットワーク（Graph Convolutional Networks, GCN）と静的機能的磁気共鳴画像法（rs-fMRI）データを組み合わせ、自閉症スペクトラム障害（Autism Spectrum Disorder, ASD）の早期診断を実現するための多機能接続基グラフ畳み込みネットワーク（mfc-GCN）フレームワークを提案します。本文は、Chaoran Ma、Wenjie Li、Sheng Ke、Jidong Lv、Tiantong Zhou、Ling Zouが共同執筆し、2024年3月8日にオンラインで公開され、国際医学および生物工学連盟（International Federation for Medical and Biological Engineering）によって発行されました。
研究背景：自閉症スペクトラム障害（ASD）は、反復行動、狭い関心、および深刻な社会的相互作用の欠陥を特徴とする異質性疾患であり、異なる個体ごとに異なる表現を示します。中国の学齢前児童における自閉症の有病率は約1％です。現在、 ASD の診断は診断スケールや医師の質問に依存しており、このような主観的な評価方法は診断結果に大きな影響を与え、医療、社会、教育上のケアに重大な課題を引き起こしています。
機能的磁気共鳴画像（fMRI）は、高分解能の非侵襲的な画像技術であり、自閉症を含む様々な脳疾患の検出と診断に広く使用されています。近年、fMRIデータに基づくASDの早期診断において、深層学習技術の利用が大きな可能性を示しています。fMRIベースのASD研究から得られる血中酸素水準依存（BOLD）信号は、機能連結（Functional Connectivity, FC）を構築し、患者と正常個体との脳活動の差異や関連疾患のバイオマーカーを探ることが可能です。グラフ構造を用いた脳ネットワーク解析は、脳機能を理解するための重要な方法となっています。
論文概要：本研究は多機能接続基グラフ畳み込みネットワーク（mfc-GCN）フレームワークを提案します。このフレームワークでは、全脳機能連結データだけでなく、ASDに関連する主要な脳ネットワークからの機能連結データも使用し、互補的な特徴情報を得るためにGCN（Graph Convolutional Network）を採用して最終的な分類タスクを完了します。ASD脳画像データ交換（ABIDE）データセットの異質性問題に対処するために、新しい外部注意ネットワーク読み取り層（eanreadout）を設計し、潜在的な個別関連を探ることでデータセットの異質性問題を効果的に解決します。実験結果は、フレームワークが2つのデータから互補的な特徴情報を効果的に学習できることを示し、最終的なASD分類精度は70.31％に達しました。
研究方法：本研究は、334名のASD患者と380名の健康対照者をカバーする714名の被験者のABIDEデータセットを使用します。内訳は、男性患者289名、女性患者45名、男性健康対照者308名、女性健康対照者72名です。自動解剖学的ラベル（AAL）を用いて脳を分割し、時間系列データを取得して多機能接続基グラフ畳み込みネットワークフレームワーク（mfc-GCN）に投入します。フレームワークには2つのブランチがあり、一つは全脳FCデータの特徴学習に使用され、もう一つは主要なFCデータの特徴学習に使用され、最終的に2つのブランチから抽出された特徴を結合して最終的なASD分類タスクを完了します。
グラフ構築と特徴抽出AAL分割を利用して得た116個の脳領域間のピアソン相関係数を計算し、機能連結データ（全脳FCおよび主要FC）を得ます。全脳FCおよび主要FCの処理では、不要な情報をトリミングするためにK最近傍法（KNN）を導入し、各ノードの最強の上位10％のエッジ接続情報を保持します。
グラフ畳み込みネットワーク (GCN)入力グラフに対して特徴学習を行うためにグラフ畳み込みネットワーク（GCN）を採用します。GCNはグラフデータ構造のフーリエ変換の畳み込み定理に基づき、各層で隣接ノードの情報を集約してノード情報を更新するための畳み込み操作を定義します。
外部注意ネットワーク読み取り層 (EANReadout)データセットの異質性に対処するために、新しい外部注意ネットワーク読み取り層（eanreadout）を設計し、潜在的なサンプル間の関連情報を学習することで異質性問題を軽減します。eanreadoutは主体間の情報を効果的にキャプチャし、全体のネットワーク性能とASD診断能力を向上させます。
主な結果：性能比較：本論文で提案されたmfc-GCNフレームワークは、正確性、感度、特異性のすべてにおいて優れた性能を示しました。テスト結果は、それぞれ70.31％、72.55％、69.23％です。
異なる読み取り層の比較：max、mean、およびその結合読み取り層とeanreadoutの性能を比較した結果、eanreadout読み取り層は従来の読み取り層よりも優れており、正確性が4.32％向上しました。
多層eanreadout結合の効果：複数回のeanreadout結合実験において、3つのGCN層（r1||r2||r3）を結合した場合が最も良い効果を示しました。
全機能連結と主要機能連結の効果：mfc-GCNは全脳および主要FCデータを同時に使用することで最適な性能を達成し、二者の特徴学習の相補性を示しました。
結論と意義：本研究で提案された多機能接続基グラフ畳み込みネットワーク（mfc-GCN）フレームワークは、全脳FCと主要FCデータを組み合わせ、GCNを利用して全体および局所のトポロジー構造から互補的な特徴情報を抽出し、モデルのASD分類能力を向上させました。提案された新型の外部注意ネットワーク読み取り層（eanreadout）は、主体間の情報をキャプチャすることでデータセットの異質性問題に効果的に対処し、分類性能や診断効果をさらに向上させました。全体として、本研究は多機能接続データから相補的な特徴を発掘し、新しい読み取り層を利用してASD診断の正確性を大幅に向上させ、自閉症の早期識別における重要な示唆を与えます。
未来展望：将来の研究では、構造的磁気共鳴画像（sMRI）などの多モーダル情報を含めることも検討できます。より多くの神経解釈性のある深層学習結果を組み合わせることで、ASDメカニズムに対する理解をさらに深めることが可能です。