Application of deep canonically correlated sparse autoencoder for the classification of schizophrenia

읽은 날	2021.01.05	학술지	Computer Methods and Programs in Biomedicine
제목	Application of deep canonically correlated sparse autoencoder for the classification of schizophrenia
저자	Gang Li a , b , ∗, Depeng Han a , Chao Wang a , Wenxing Hu c , Vince D. Calhoun d , Yu-Ping Wang
한줄요약	Schizophrenia를 진단하기 위한 neural network(DCCSAE)의 개발 및 효용성 입증
초록	Background and objective: Imaging genetics has been widely used to help diagnose and treat mental illness, e.g., schizophrenia, by combining magnetic resonance imaging of the brain and genomic informa- tion for comprehensive and systematic analysis. As a result, utilizing the correlation between magnetic resonance imaging of the brain and genomic information is becoming an important challenge. Methods: In this paper, the joint analysis of single nucleotide polymorphisms and functional magnetic resonance imaging is conducted for comprehensive study of schizophrenia. We developed a deep canon- ically correlated sparse autoencoder to classify schizophrenia patients from healthy controls, which can address the limitation of many existing methods such as canonical correlation analysis, deep canonical correlation analysis and sparse autoencoder. Results: The proposed deep canonically correlated sparse autoencoder can not only use complex nonlin- ear transformation and dimension reduction, but also achieve more accurate classifications. Our experi- ments showed the proposed method achieved an accuracy of 95.65% for SNP data sets and an accuracy of 80.53% for fMRI data sets. Conclusions: Experiments demonstrated higher accuracy of using the proposed method over other con- ventional models when classifying schizophrenia patients and healthy controls.
키워드	Imaging-genetic associations, Canonical correlation analysis, Sparse autoencoder, Deep canonically correlated sparse autoencoder, Schizophrenia classification
의의	DCCSAE를 사용하여 3D-CNN보다 sensitivity는 높게, DANS보다 specificity가 높은 결과를 보여, 전의 SSAE의 문제점을 극복한 통합 모델을 만들었음.
비판점	Schizophrenia 말고 다른 병의 진단에도 사용할 수 있을지 검토 필요.