Intelligenza artificiale e Neuroimaging @UNISA: Applicazioni allo studio di malattie neurodegenerative - Ital-IA
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Intelligenza artificiale e Neuroimaging @UNISA:
Applicazioni allo studio di malattie
neurodegenerative
Roberto Tagliaferri
Neurone lab
Dipartimento di Scienze Aziendali – Management & Innovation
Systems
Senior member, IEEE Computational Intelligence & SMC Societies
CINI - Laboratorio nazionale di Bioinformatica – Unità di Salerno
CINI - Laboratorio nazionale di Intelligenza Artificiale e Sistemi
Intelligenti– Unità AI3S di Salerno
Introduzione • Necessità di progettare pipeline per l’analisi di dati di neuroimaging basate su tecniche di intelligenza computazionale e artificiale • Lo scopo è quello di riuscire a identificare differenti modalità di funzionamento in soggetti caratterizzati da diverse malattie o da particolari performance di task cognitivi. • I contributi più rilevanti, frutto dell’attività di ricerca svoltasi presso l’Università degli studi di Salerno, sono stati pubblicati su riviste internazionali di alta rilevanza Serra, Angela, Galdi, Paola, Tagliaferri, Roberto (2018). Machine learning for bioinformatics and neuroimaging. WILEY INTERDISCIPLINARY REVIEWS. DATA MINING AND KNOWLEDGE DISCOVERY, vol. e1248, p. 1-33, ISSN: 1942-4787, doi: 10.1002/widm.1248
Analisi di dati a singola vista per dati di rsfMRI in SLA e MP: Idea progettuale • Tecniche automatiche per l’estrazione di caratteristiche basate su consensus clustering e aggregazione stocastica di liste ordinate, progettate per supportare la diagnostica di malattie neurodegenerative basate su fMRI. • Consensus clustering Paola Galdi, Michele Fratello, Francesca Trojsi, Antonio Russo, Gioacchino Tedeschi, Roberto Tagliaferri, e Fabrizio Esposito. Consensus-based feature extraction in rs-fMRI data analysis. Soft Computing, 22(11):3785–3795, 2018.
Analisi di dati a singola vista per dati di rsfMRI in SLA
e MP: Idea progettuale
• Stochastic rank aggregation applicate alle soluzioni del
clustering
• Ordinare i cluster in accordo al valor medio dei voxel
• Ogni soggetto esprime un ranking dei cluster
• Si stima la lunghezza k delle sotto-liste che sono più conformi
• I ranking sono aggregati per classe attraverso il metodo di
aggregazione basato sullo stochastic rank
• Il risultato è un sottinsieme di pattern informativi in un nuovo
ordinamento
Paola Galdi, Michele Fratello, Francesca Trojsi, Antonio Russo, Gioacchino Tedeschi, Roberto Tagliaferri, e Fabrizio Esposito.
Stochastic rank aggregation for the identification of functional neuromarkers. Neuroinformatics, pages 1–18, 2019.
Analisi di dati a singola vista: risultati
Top K clusters
Parkinson
Brodmann Area 39 (medial
temporal lobe)
Brodmann Area 40 (inferior
parietal cortex)
Brodmann Area 10
(prefrontal cortex)
Paola Galdi, Michele Fratello, Francesca Trojsi, Antonio Russo, Gioacchino Tedeschi, Roberto Tagliaferri, e Fabrizio Esposito.
Stochastic rank aggregation for the identification of functional neuromarkers. Neuroinformatics, pages 1–18, 2019.
Classificazione multi-vista basata su metodi
Ensemble per dati di connettività cerebrale in SLA e MP
• Consideriamo ciascun soggetto come un pattern rappresentato in
due spazi diversi, fornendo diversi tipi di informazioni.
• Le caratteristiche di questi spazi sono i voxel dei dati rsfMRI e DTI.
DTI fMRI
Fratello, M., Caiazzo, G., Trojsi, F. et al. Neuroinform (2017) 15: 199. https://doi.org/10.1007/s12021-017-9324-2
Classificazione multi-vista basata su metodi
Ensemble per dati di connettività cerebrale in SLA e MP
Dimensionality Single View
Reduction Clustering
Multi View
Evaluation
Integration
Fratello, M., Caiazzo, G., Trojsi, F. et al. Neuroinform (2017) 15: 199. https://doi.org/10.1007/s12021-017-9324-2Classificazione multi-vista basata su metodi Ensemble per dati di connettività cerebrale in SLA e MP Riduzione della dimensionalità • Per superare i problemi derivanti dai dati HDLSS abbiamo ridotto le dimensioni di ogni insieme di dati. • I voxel adiacenti vengono quindi aggregati con il clustering. Ogni area risultante viene quindi rappresentata da un singolo valore, derivato dai voxel in cluster. • Il clustering dei voxel può essere visto come una parcellizzazione basata sui dati. Integrazione dei dati • I clustering Single View sono integrati insieme alle informazioni sulle etichette delle classi dei pazienti, in 6 cluster. • Con l'integrazione possiamo prendere in considerazione simultaneamente le informazioni da rsfMRI e DTI. • Il modello proposto prevede l’estrazione di caratteristiche tramite clustering gerarchico e l’addestramento di un insieme di classificatori basati su alberi di decisione (Random Forest) Fratello, M., Caiazzo, G., Trojsi, F. et al. Neuroinform (2017) 15: 199. https://doi.org/10.1007/s12021-017-9324-2
Classificazione multi-vista basata su metodi
Ensemble per dati di connettività cerebrale in SLA e MP
• Abbiamo cercato relazioni con informazioni
cliniche.
• Per esempio, abbiamo scoperto che uno dei
cluster ha un gruppo arricchito di soggetti con
il lower limb onset e 2 ° stadio clinico, rispetto
all’insieme dei dati
• Il significato del gruppo arricchito è stato
testato con un test di permutazione ottenendo
un p-value p=0.0033
Fratello, M., Caiazzo, G., Trojsi, F. et al. Neuroinform (2017) 15: 199. https://doi.org/10.1007/s12021-017-9324-2Strong-weak pruning: un algoritmo per identificare
connessioni significative in modelli di reti neuronali
• Siccome le reti di connessioni interneuronali sono tipicamente completamente
connesse, uno dei problemi principali è quello di individuare ed eliminare
connessioni a basso contenuto informativo. Generalmente, questo problema viene
risolto utilizzando dei test statistici (come il t-test) che classificano le connessioni in
forti e deboli considerando solo il peso della connessione.
• L’algoritmo Strong-Weak pruning, invece, identifica le connessioni rilevanti non solo
in base al loro peso, ma anche in base alla loro funzione strutturale a livello globale
nella rete.
• Questo metodo è stato utilizzato per analizzare le reti di un campione di soggetti
sani e un campione di soggetti affetti da SLA e individuare una rete di connessioni
rilevanti per ognuno dei due gruppi di soggetti.
• Successivamente è stato effettuato uno studio sulla propagazione dell’informazione
nelle due categorie di reti, utilizzando modelli basati su random walk
Angela Serra, Paola Galdi, Emanuele Pesce, Michele Fratello, Francesca Trojsi, Gioacchino Tedeschi, Roberto Tagliaferri, e Fabrizio
Esposito. Strong-weak pruning for brain network identification in connectome-wide neuroimaging: Application to amyotrophic
lateral sclerosis disease stage characterization. International Journal of Neural Systems, 2019 in pressStrong-weak pruning: un algoritmo per identificare
connessioni significative in modelli di reti neuronali
• Lo studio dei cammini minimi e delle misure di centralità su tali
network ha rivelato sostanziali differenze tra reti di soggetti sani e
malati e anche tra reti di pazienti malati di SLA a diversi stadi della
malattia.
• Tali risultati sono compatibili con risultati precedenti che
supportano la teoria che la SLA è una malattia multisistemica che
colpisce diverse regioni tra le quali l’area sensoria e motoria, e
suggerisce l’esistenza di un meccanismo compensatorio che
influenza la topologia delle connessioni funzionali delle regioni
motorie.
Angela Serra, Paola Galdi, Emanuele Pesce, Michele Fratello, Francesca Trojsi, Gioacchino Tedeschi, Roberto Tagliaferri, e Fabrizio
Esposito. Strong-weak pruning for brain network identification in connectome-wide neuroimaging: Application to amyotrophic
lateral sclerosis disease stage characterization. International Journal of Neural Systems, 2019 in pressStrong-weak pruning: un algoritmo per identificare connessioni significative in modelli di reti neuronali • Istogrammi del numero di esperimenti in cui vi era una frequenza di visita significativamente più alta in una delle due classi. • Valori positivi significano che la frequenza è più alta nei controlli (o stadio meno grave della malattia), mentre valori negativi significano che la frequenza è più alta nei pazienti (o nella fase più grave della malattia). Angela Serra, Paola Galdi, Emanuele Pesce, Michele Fratello, Francesca Trojsi, Gioacchino Tedeschi, Roberto Tagliaferri, e Fabrizio Esposito. Strong-weak pruning for brain network identification in connectome-wide neuroimaging: Application to amyotrophic lateral sclerosis disease stage characterization. International Journal of Neural Systems, 2019 in press
Grazie! Domande?
Ricercatori che hanno partecipato a questo lavoro
e alla stesura della presentazione
Angela Serra Paola Galdi Michele Fratello
Post-Doc Post-Doc DP Control
Grazie al Prof. Gioacchino
University of University of
Tedeschi e al suo gruppo
Tampere Edinburgh
University of Campania
«Luigi Vanvitelli»
Roberto Tagliaferri Fabrizio Esposito
Professor Associate Professor
University of Salerno University of SalernoPuoi anche leggere
