Denoising VAE as an Explainable Feature Reduction and Diagnostic Pipeline for Autism Based on Resting state fMRI

要約

自閉症スペクトラム障害（ASD）は、制限された関心とコミュニケーションの困難を特徴とする発達条件です。
ASDの複雑さにより、客観的な診断バイオマーカーが不足しています。
深い学習方法は、ニューロイメージング分析でこれらの課題に対処することで認識されていますが、そのような診断バイオマーカーを見つけて解釈することは依然として計算上の挑戦です。
ここでは、静止状態のfMRIデータを使用して機能削減パイプラインを提案します。
Craddock AtlasとPower Atlasを使用して、RS-FMRIから機能的な接続データを抽出し、3万を超える機能をもたらしました。
除去変動自動エンコーダーを使用することにより、提案されているパイプラインは、接続機能を5つの潜在ガウス分布にさらに圧縮し、計算効率と解釈可能性を促進するためのデータの低次元表現です。
メソッドをテストするために、抽出された潜在表現を使用して、大規模なマルチサイトデータセットでSVMなどの従来の分類子を使用してASDを分類しました。
SVMの予測精度の95％信頼区間は、抽出された潜在分布を使用した部位調和後の[0.63、0.76]です。
次元削減にDVAEを使用しないと、予測精度は0.70であり、これは間隔内に収まります。
DVAEは、予測パフォーマンスを犠牲にすることなく、RS-FMRIデータから診断情報を正常にエンコードしました。
DVAEをトレーニングし、抽出された潜在的な特徴から分類結果を取得するためのランタイムは、生データで直接トレーニング分類器と比較して7倍短かった。
私たちの調査結果は、パワーアトラスがCraddock AtlasよりもASDを診断するためのより効果的な脳接続性の洞察を提供することを示唆しています。
さらに、潜在的な表現を視覚化して、ASDと神経型の脳の違いに寄与する脳ネットワークに関する洞察を得ました。

要約(オリジナル)

Autism spectrum disorders (ASDs) are developmental conditions characterized by restricted interests and difficulties in communication. The complexity of ASD has resulted in a deficiency of objective diagnostic biomarkers. Deep learning methods have gained recognition for addressing these challenges in neuroimaging analysis, but finding and interpreting such diagnostic biomarkers are still challenging computationally. Here, we propose a feature reduction pipeline using resting-state fMRI data. We used Craddock atlas and Power atlas to extract functional connectivity data from rs-fMRI, resulting in over 30 thousand features. By using a denoising variational autoencoder, our proposed pipeline further compresses the connectivity features into 5 latent Gaussian distributions, providing is a low-dimensional representation of the data to promote computational efficiency and interpretability. To test the method, we employed the extracted latent representations to classify ASD using traditional classifiers such as SVM on a large multi-site dataset. The 95% confidence interval for the prediction accuracy of SVM is [0.63, 0.76] after site harmonization using the extracted latent distributions. Without using DVAE for dimensionality reduction, the prediction accuracy is 0.70, which falls within the interval. The DVAE successfully encoded the diagnostic information from rs-fMRI data without sacrificing prediction performance. The runtime for training the DVAE and obtaining classification results from its extracted latent features was 7 times shorter compared to training classifiers directly on the raw data. Our findings suggest that the Power atlas provides more effective brain connectivity insights for diagnosing ASD than Craddock atlas. Additionally, we visualized the latent representations to gain insights into the brain networks contributing to the differences between ASD and neurotypical brains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google