Mais conteúdo relacionado
Semelhante a 機械学習の応用例にみる認知症診断と将来の発症予測 (12)
機械学習の応用例にみる認知症診断と将来の発症予測
- 2. 認知症研究と機械学習
• 高齢化、医療費増加
– 認知症は社会にも個人にも大きな損失
• 神経変性疾患:ハードウェアの異常
– 完全に壊れてからでは有効な治療方法がない
– 発症を遅らせる薬の登場
• 早期の段階で診断・治療ができたらそれ以上の
進行を食い止めることが出来る
• 壊れる前に予測し、予防できたら理想的
• 機械学習の応用研究が活発
- 5. 色々な被験者の脳MRI画像を
米国のデータ 英国のデータ 米国のデータ
確定診断された 確定診断された 臨床的に早期ADと 確定診断された
重症AD患者 重症AD患者 思われる患者 重症AD患者
& & & &
健康な高齢者 健康な高齢者 健康な高齢者 FTLD患者
- 12. 結果のみどころ
• SVMは灰白質の領域だけ抜き出した
全脳MRI画像を、訓練された人間と同程度
にADと健常人に分類できた
– 感度も特異度も良い
– トレーニングとテストのデータにスキャナや
施設の違いがあっても大きく影響されない
• アルツハイマー病とFTLDの分類もできた
– 異なるタイプの認知症も鑑別診断できた
- 16. ADNIデータベース
• 米国ADNI
– 認知症研究のための大規模データベース
– 800人以上の経時的なデータ
• 構造画像(MRI)・機能画像(FDG-PET、PiB-PET)
臨床的な様々な因子の有無・血液・尿・ApoE遺伝子
型・脳脊髄液Aβ・臨床診断(人間がつけたラベル)・
病理診断(死後に分かった真のラベル)など…
– オープンアクセス(だれでも使える)
– 米国だけでなく世界中でデータベースが構築中
• 日本ではJ-ADNI
– 米国ADNIはさらに全ゲノムシークエンスを含む
ビッグデータプロジェクトへ
- 21. 比較の結果
• 重症ADと健康な高齢者の分類
– 全脳の情報を全部使ったlinear SVMがベスト
• MCI~mild AD/健常人
– どの手法でも感度が落ちる
• 将来AD発症するMCI/発症しないMCI
– どの手法もランダムと同程度…
- 25. 大きな未解決の課題
• 分類
– MCIと診断された人が将来ADを発症する
converterなのかnon-converterなのかを
正確に見分けたい
• 回帰
– 認知機能が将来どのぐらいになるのかを
推定したい
- 26. これ以上どう工夫できる?
• 特徴選択
– 脳MRI画像は非常に高次元なデータなので
脳領域を予め選択したり訓練データから重要な
領域を学習させたほうが良いかもと思いきや…
– ADのSVM診断では、全脳の情報を使って学習・
認識するのが結局一番よかった
• 施設や装置の違いに影響されず汎化能力が高くなる
• 訓練データから重要な領域を学習させると計算量・計
算時間がやたら増える(数日~数週間)だけで良いこ
とはなかった
- 28. 問題解決への糸口
① やっぱり本質的な領域を選択したい
– 説明変数はシンプルな方がいい
② 経時的変化を捉える特徴を抽出したい
– 一時点のデータしか使っていなかったけど
萎縮の経時的変化も考えるのが良さそう
③ MRIだけでなくPETや認知機能検査など
多様なモダリティを統合したい
– 構造画像も機能画像も実際の現象も、
それぞれに重要性があるはず
- 31. 課題
• 分類
– AD発症の6ヶ月前までのデータを使って学習
– 6ヶ月後にAD発症しているか否かを識別
• 回帰
– ベースライン(0ヶ月)・6ヶ月・12ヶ月・
18ヶ月の画像と認知機能検査のスコアから、
6ヶ月後(24ヶ月目)のスコアを予測
- 32. 方法
① 本質的な特徴の選択
– どの時点でも重要になる脳の領域を選択
►L2,1ノルム正則化
どの時点でも重要になる脳の領域を
スパースな解として得る
- 33. 方法
② 本質的な特徴の選択
– どの時点でも重要になる脳の領域を選択
►直交多項式展開
画像をt(時点)の多項式と考え、直交
多項式展開の係数を特徴ベクトルに含める
萎縮の速度(tの一次式)だけではなく
非線形な特徴も抽出できる
- 34. 方法
③ 多様な情報源の統合
– MRIだけでなくPETや認知症検査など、
様々なモダリティのデータを最大限に活用
►マルチカーネルSVM
モダリティごとにカーネル行列を作り、
それらを凸結合したものを分類・回帰に使う
それぞれのカーネルの重み付けも最適化
(凸最適化なので大域的最適解が求まる)
- 40. MRI・PET・認知機能検査・CSFデータなど
各モダリティからの情報は相補的なので
Multimodal classification of Alzheimer‘s disease and mild cognitive impairment.
Neuroimage. 2011 Apr 1;55(3):856-67. Epub 2011 Jan 12.
Zhang D, Wang Y, Zhou L, Yuan H, Shen D; Alzheimer's Disease Neuroimaging Initiative.
- 41. それぞれのカーネル行列を組み合わせれば
Multimodal classification of Alzheimer‘s disease and mild cognitive impairment.
Neuroimage. 2011 Apr 1;55(3):856-67. Epub 2011 Jan 12.
Zhang D, Wang Y, Zhou L, Yuan H, Shen D; Alzheimer's Disease Neuroimaging Initiative.
- 42. より良いカーネル行列が得られる
Multimodal classification of Alzheimer‘s disease and mild cognitive impairment.
Neuroimage. 2011 Apr 1;55(3):856-67. Epub 2011 Jan 12.
Zhang D, Wang Y, Zhou L, Yuan H, Shen D; Alzheimer's Disease Neuroimaging Initiative.
- 46. 将来の認知機能スコア推定には
経時的な変化の情報が重要
※ CONCAT
異なる時点・モダリティのデータを単につなげて一つの長いベクトルを作
りLassoで特徴選択してSVMにかける
※ アンサンブル学習
各時点・各モダリティごとにLassoで特徴選択し、個別にSVMにかけて
多数決で分類・平均で回帰
- 55. Reference
• Klöppel S, Stonnington CM, Chu C, Draganski B, Scahill RI, Rohrer JD, Fox NC, Jack CR Jr,
Ashburner J, Frackowiak RS.
Automatic classification of MR scans in Alzheimer's disease.
Brain. 2008 Mar;131(Pt 3):681-9. Epub 2008 Jan 17.
• Cuingnet R, Gerardin E, Tessieras J, Auzias G, Lehéricy S, Habert MO, Chupin M, Benali H, Colliot
O; Alzheimer's Disease Neuroimaging Initiative.
Automatic classification of patients with Alzheimer's disease from structural MRI: a comparison of
ten methods using the ADNI database.
Neuroimage. 2011 May 15;56(2):766-81. Epub 2010 Jun 11.
• Zhang D, Shen D; Alzheimer's Disease Neuroimaging Initiative.
Predicting future clinical changes of MCI patients using longitudinal and multimodal biomarkers.
PLoS One. 2012;7(3):e33182. Epub 2012 Mar 22.
• Zhang D, Wang Y, Zhou L, Yuan H, Shen D; Alzheimer's Disease Neuroimaging Initiative.
Multimodal classification of Alzheimer's disease and mild cognitive impairment.
Neuroimage. 2011 Apr 1;55(3):856-67. Epub 2011 Jan 12.
- 56. Reference
• 冨岡 亮太・鈴木 大慈・杉山 将
スパース正則化およびマルチカーネル学習のための
最適化アルゴリズムと画像認識への応用
http://sugiyama-www.cs.titech.ac.jp/~sugi/2010/DAL-jp.pdf
• 杉山 将
スパース正則化とマルチカーネル学習
http://sugiyama-www.cs.titech.ac.jp/~sugi/2007/Canon-MachineLearning16-jp.pdf