DeepAD: A Robust Deep Learning Model of Alzheimer’s Disease Progression for Real-World Clinical Applications

要約

患者の将来の進路を予測できることは、アルツハイマー病 (AD) などの複雑な病気の治療法の開発に向けた重要なステップです。
ただし、病気の進行を予測するために開発されたほとんどの機械学習アプローチは、シングルタスク モデルまたはシングル モダリティ モデルのいずれかであり、高次元画像を使用したマルチタスク学習を含む環境に直接適用することはできません。
さらに、これらのアプローチのほとんどは単一のデータセット (つまりコホート) でトレーニングされるため、他のコホートに一般化することはできません。
我々は、複数のコホートからの長期的な臨床データと神経画像データを分析することによってアルツハイマー病の進行を予測するための、新しいマルチモーダルマルチタスク深層学習モデルを提案します。
私たちが提案するモデルは、3D 畳み込みニューラル ネットワークからの高次元 MRI 特徴を、臨床情報や人口統計情報を含む他のデータ モダリティと統合して、患者の将来の軌跡を予測します。
私たちのモデルは、研究固有の画像バイアス、特に研究間のドメインシフトを軽減するために敵対的損失を採用しています。
さらに、Sharpness-Aware Minimization (SAM) 最適化手法を適用して、モデルの一般化をさらに改善します。
提案されたモデルは、結果を評価および検証するために、さまざまなデータセットでトレーニングおよびテストされます。
私たちの結果は、1) 私たちのモデルがベースライン モデルと比較して大幅な改善をもたらすこと、2) 3D 畳み込みニューラル ネットワークから抽出された神経画像特徴を使用するモデルが、MRI 由来の体積特徴に適用した場合に同じモデルよりも優れていることを示しました。

要約(オリジナル)

The ability to predict the future trajectory of a patient is a key step toward the development of therapeutics for complex diseases such as Alzheimer’s disease (AD). However, most machine learning approaches developed for prediction of disease progression are either single-task or single-modality models, which can not be directly adopted to our setting involving multi-task learning with high dimensional images. Moreover, most of those approaches are trained on a single dataset (i.e. cohort), which can not be generalized to other cohorts. We propose a novel multimodal multi-task deep learning model to predict AD progression by analyzing longitudinal clinical and neuroimaging data from multiple cohorts. Our proposed model integrates high dimensional MRI features from a 3D convolutional neural network with other data modalities, including clinical and demographic information, to predict the future trajectory of patients. Our model employs an adversarial loss to alleviate the study-specific imaging bias, in particular the inter-study domain shifts. In addition, a Sharpness-Aware Minimization (SAM) optimization technique is applied to further improve model generalization. The proposed model is trained and tested on various datasets in order to evaluate and validate the results. Our results showed that 1) our model yields significant improvement over the baseline models, and 2) models using extracted neuroimaging features from 3D convolutional neural network outperform the same models when applied to MRI-derived volumetric features.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google