Klasifikace a predikce z multimodálních neurozobrazovacích dat v kontextu léčby schizofrenie

Abstract

Se změnou paradigmatu k multimodálnímu strojovému učení přichází naděje na zlepšení kvality predikce prognózy u schizofrenie a dalších poruch. Magnetická rezonance (MRI) je schopna zachytit různé typy obrazu mozku, je tak vhodná pro vývoj multimodálních predikčních metod. Studie Early-Stage Schizophrenia Outcome si klade za cíl nashromáždit multimodální, longitudinální neurozobrazovací data pacientů s první epizodou schizofrenie a zdravé kontrolní skupiny, a sestavit rámec pro predikci funkčního výsledku a trajektorie léčby. Z dosud naměřených dat jsme sestavili dvě datové sady ("IKEM" dataset: 161 subjektů, "NÚDZ" dataset: 204 subjektů) sestávající z příznaků z několika modalit mozkových obrazů (strukturální, funkční a difuzní). Provedli jsme rešerši současné literatury o multimodálním strojovém učení a exploratorní analýzy prediktivního potenciálu primárně lineárních modelů při detekci schizofrenie a predikci klinických ukazatelů. Příznaky z funkční MRI vykazují nejvyšší prediktivní potenciál při detekci schizofrenie. Naopak regresní predikce hodnot škály pozitivních a negativních symptomů dosud neukázala využitelné výsledky. Při integraci více modalit dosáhl nejvyššího prediktivního výkonu nelineární prediktor složený z několika unimodálních logistických klasifikátorů. S poznatky z našich analýz zdůrazňujeme potřebu pochopit potenciál a limitace dat, modalit a metod při návrhu individualizovaných prediktivních systémů.

With the paradigm shift to multimodal machine learning, hope arises for an improvement in the prediction of functional outcome of schizophrenia and other disorders. As magnetic resonance imaging (MRI) can produce several types of views into the human brain, it is suitable for the development of multimodal pipelines. The Early-Stage Schizophrenia Outcome study aims to collect multimodal, longitudinal neuroimaging and clinical data of first-episode schizophrenia patients and healthy controls in order to construct a predictive framework of functional outcome and treatment trajectory. From the data collected within this project up until now, we have assembled two datasets ("IKEM" dataset: 161 subjects, "NÚDZ" dataset: 204 subjects) of features derived from several brain MRI modalities (structural, functional, and diffusion). We have surveyed state-of-the-art multimodal machine learning literature and conducted exploratory analyses our data, assessing the baseline predictive potential of primarily linear models in detecting schizophrenia and predicting clinical features. Functional MRI features achieved the highest predictive potential in schizophrenia detection, and also show the highest rate of accuracy improvement with increasing sample size. Conversely, regression on scores of the positive and negative symptoms has not shown applicable results as of yet, regardless of modality. When integrating multiple modalities, we found the highest predictive performance in a nonlinear predictor stacked from several unimodal logistic classifiers. With the findings from our analyses, we emphasize the need to understand the potential and limitations of both the data and methods in designing individualized predictive systems.