Exploration and application of machine learning algorithms to functional connectivity data

Abstract

Methods for the study of the functional connectivity in the brain have seen several developments over the last years, however not yet in a fully realized manner. Machine learning and complex network analysis are two promising techniques that together can help the process of better exploring functional connectivity for future clinical applications. Machine learning and pattern recognition algorithms are helpful for mining vast amounts of neural data with increasing precision of measures and also for detecting signals from an overwhelming noise component (Lemm, Blankertz, Dickhaus, & Müller, 2011). Complex network analysis, a subset of graph theory, is an approach that allows the quantitative assessment of network properties such as functional segregation, integration, resilience, and centrality (Rubinov & Sporns, 2010). These properties can be fed into classification algorithms as features. This is a new and complex approach that has no standard procedures defined, so the aim of this work is to explore the use of fMRI-derived complex network measures combined with machine learning algorithms in a clinical dataset. In order to do so, a set of classifiers is implemented on a feature dataset built with brain regional volumes and topological network measures that, in turn, were constructed based on functional connectivity data extracted from a resting-state functional MRI study. The set of classifiers includes the nearest neighbor, support vector machine, linear discriminant analysis and decision tree methods. A set of feature selection methods was also implemented before the classification tasks. Every possible combination of feature selection methods and classifiers was implemented and the performance was evaluated by a cross-validation procedure. Although the results achieved weren’t exceptionally good, the present work generated knowledge on how to implement this recent approach and allowed the conclusion that, for most cases, feature selection improves the performance of the classifier. The results also showed that the decision tree algorithm produces relatively good results without being associated with a feature selection method and that the SVM classifier, together with RFE feature selection method, produced results on the same level as other work done with a similar approach.

Métodos para o estudo de conectividade funcional têm sofrido vários progressos ao longo dos últimos anos, no entanto, as suas potencialidades não estão a ser completamente exploradas. Aprendizagem computacional e análise de redes complexas são duas técnicas promissoras que, em conjunto, são capazes de auxiliar no processo de melhor explorar conectividade funcional para futuras aplicações clínicas. Aprendizagem computacional e reconhecimento de padrões permitem a extração de conhecimento a partir de imensas quantidades de informação neuronal, cada vez com melhor precisão de medidas e são capazes de encontrar sinal de interesse, mesmo na presença de uma grande componente de ruído (Lemm et al., 2011). A análise de redes complexas é uma abordagem que permite a avaliação quantitativa das propriedades de rede (Rubinov & Sporns, 2010). Estas propriedades podem ser usadas em classificação como atributos, o que é considerado uma a abordagem recente e complexa, pelo que não existem ainda procedimentospadrão definidos. Deste modo, o objetivo deste trabalho é explorar o uso de medidas de redes complexas derivadas de conectividade funcional e combinadas com algoritmos de aprendizagem computacional em dados clínicos. Para tal, um conjunto de classificadores foi implementado, tendo como atributos volumes de regiões cerebrais e medidas de rede que, por sua vez, foram construídas a partir de dados de conectividade funcional extraídos de um estudo de Ressonância Magnética funcional de repouso. Um conjunto de métodos para a seleção de atributos também foi implementado antes de realizar as tarefas de classificação. Todas as possíveis combinações destes métodos com os classificadores foram testadas e o desempenho foi avaliado através de cross-validation. Apesar dos resultados obtidos não serem excecionalmente bons, o presente trabalho gerou conhecimento sobre a implementação desta nova abordagem e permitiu concluir que, na maioria dos casos, a seleção de características melhora o desempenho do classificador. Os resultados também demonstram que o algoritmo de árvore de decisão produz relativamente bons resultados quando não está associado a um método de seleção de características e que o algoritmo de máquina de suporte vetorial, juntamente com o método de seleção de atributos RFE, deu origem a resultados ao mesmo nível de outro trabalho, realizado com uma abordagem similar.