Curriculum Based Multi-Task Learning for Parkinson’s Disease Detection

要約

初期段階での検出が困難な神経変性疾患であるパー​​キンソン病 (PD) などの進行性疾患の診断、病期分類、および予測モデリングのための放射線分類器の開発に大きな関心が寄せられています。
ここでは、疾患の段階に関する重症度ベースのメタデータを活用して、深い畳み込みニューラル ネットワーク (CNN) をトレーニングするためのカリキュラムを定義します。
通常、深層学習ネットワークは、各ミニバッチでランダムにサンプルを選択することによってトレーニングされます。
対照的に、カリキュラム学習は、分類しやすい例から始めることで、分類器のパフォーマンスを向上させることを目的としたトレーニング戦略です。
ここでは、PD の Hoehn and Yahr (H&Y) ステージング システムに対応するトレーニング データの難易度を徐々に上げるためのカリキュラムを定義します (合計 N = 1,012; 653 人の PD 患者、359 人のコントロール; 年齢範囲: 20.0 から 84.9 歳)。
事前トレーニング済みの CNN と転移学習を使用したマルチタスク設定でも、T1 加重 (T1-w) MRI に基づく PD 分類は困難でしたが (ROC AUC: 0.59-0.65)、カリキュラム トレーニングによりパフォーマンスが向上しました (3.9%)。
当社のベースライン モデルとの比較。
マルチモーダル イメージングの今後の作業により、パフォーマンスがさらに向上する可能性があります。

要約(オリジナル)

There is great interest in developing radiological classifiers for diagnosis, staging, and predictive modeling in progressive diseases such as Parkinson’s disease (PD), a neurodegenerative disease that is difficult to detect in its early stages. Here we leverage severity-based meta-data on the stages of disease to define a curriculum for training a deep convolutional neural network (CNN). Typically, deep learning networks are trained by randomly selecting samples in each mini-batch. By contrast, curriculum learning is a training strategy that aims to boost classifier performance by starting with examples that are easier to classify. Here we define a curriculum to progressively increase the difficulty of the training data corresponding to the Hoehn and Yahr (H&Y) staging system for PD (total N=1,012; 653 PD patients, 359 controls; age range: 20.0-84.9 years). Even with our multi-task setting using pre-trained CNNs and transfer learning, PD classification based on T1-weighted (T1-w) MRI was challenging (ROC AUC: 0.59-0.65), but curriculum training boosted performance (by 3.9%) compared to our baseline model. Future work with multimodal imaging may further boost performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google