[論文レビュー] ADiag: Graph Neural Network Based Diagnosis of Alzheimer's Disease

V. Sampathkumar|arXiv (Cornell University)|Jan 8, 2021

Dementia and Cognitive Impairment Research参考文献 9被引用数 8

ひとこと要約

ADiagは、T1強調MRIスキャンを用いて皮質厚さの違いを重み付きグラフエッジとしてモデル化する、グラフニューラルネットワーク（GNN）ベースのアルツハイマー病（AD）診断手法を提案する。GraphSAGEと密度的微分可能プーリング（DDP）を用いて脳グラフを粗視化し、83.44%の精度でADを分類する。これは定性的および従来の定量的手法を著しく上回る性能を示す。

ABSTRACT

Alzheimer's Disease (AD) is the most widespread neurodegenerative disease, affecting over 50 million people across the world. While its progression cannot be stopped, early and accurate diagnostic testing can drastically improve quality of life in patients. Currently, only qualitative means of testing are employed in the form of scoring performance on a battery of cognitive tests. The inherent disadvantage of this method is that the burden of an accurate diagnosis falls on the clinician's competence. Quantitative methods like MRI scan assessment are inaccurate at best,due to the elusive nature of visually observable changes in the brain. In lieu of these disadvantages to extant methods of AD diagnosis, we have developed ADiag, a novel quantitative method to diagnose AD through GraphSAGE Network and Dense Differentiable Pooling (DDP) analysis of large graphs based on thickness difference between different structural regions of the cortex. Preliminary tests of ADiag have revealed a robust accuracy of 83%, vastly outperforming other qualitative and quantitative diagnostic techniques.

研究の動機と目的

• アルツハイマー病（AD）の定量的で非侵襲的な診断法を開発し、臨床医の主観的判断への依存を低減すること。
• 認知機能テスト（例：MMSE、CDR）の限界や侵襲的な生検を克服するため、MRIスキャンからの構造的脳データを活用すること。
• 皮質厚さの違いが解剖的領域間のエッジ重みを定義するように、脳をグラフとしてモデル化することで診断精度を向上させること。
• 可変なグラフサイズに対応でき、未観測データへも適用可能な、スケーラブルで頑健かつ一般化可能なフレームワークを構築すること。
• GraphSAGEと密度的微分可能プーリング（DDP）を組み合わせた新規アーキテクチャを用いることで、既存の定量的手法を上回る高い精度を達成すること。

提案手法

• OASIS-3データベースからT1強調MRIスキャンを取得し、FreeSurferを用いて1162の脳領域における皮質厚さを抽出した。
• 各ノードが3次元座標（x, y, z）を持つ皮質領域を表し、接続された領域間の厚さの差からエッジ重みを導出する脳ネットワークグラフを構築した。
• 近傍集約を用いたGraphSAGEを適用し、メッセージパッシングにより豊富で文脈に即したノード表現を生成した：$ h_{N(v)}^{k} \text{←} Aggregate_{k}(h_{u}^{k-1}, \forall u \in N(v)) $、その後にシグモイド活性化関数を適用する全結合層を設けた。
• 密度的微分可能プーリング（DDP）を用いて、学習可能なソフトアサインメントによりグラフを1162ノードから18ノードに粗視化した：$ X' = softmax(S)^T \cdot X $、構造的情報を保持した。
• 複数のGraphSAGEおよびDDP層を逐次統合し、グラフサイズを段階的に縮小しながら特徴の識別性を維持した。
• 最終的な18ノードグラフを二値診断（AD陽性／陰性）用に分類するために、バッチ正規化と学習率最適化を施した2層の全結合層を統合した。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、定性的手法を上回るアルツハイマー病診断精度を実現するため、皮質厚さの違いを効果的にモデル化できるか？
• RQ2 GraphSAGEと密度的微分可能プーリングの統合は、脳グラフにおける特徴表現と分類性能をどのように向上させるか？
• RQ3 GNNベースのアプローチは、限られた学習データのもとで、未観測の脳グラフにどの程度一般化可能であり、高い診断精度を維持できるか？
• RQ4 脳グラフモデルにおける厚さ差に基づくエッジ重みの使用は、従来のMRI定量法に比べ、神経変性パターンをより効果的に捉えることができるか？
• RQ5 提案されたADiagフレームワークは、既存の定量的および定性的なAD診断手法と比較して、性能でどの程度優れているか？

主な発見

• バッチ正規化と学習率スケジューリングによる最適化後、ADiagは83.44%のピーク検証精度を達成し、MMSE や CDR といった定性的手法を著しく上回った。
• 最適化後、トレーニング損失は0.695まで低下し、121サンプルのデータセット上で収束性と一般化性能が向上したことを示した。
• 計算コストの高さのため121枚のグラフしか処理できなかったが、300枚に拡張すれば少なくとも95%の精度に向上すると予想される。
• GraphSAGEの使用によりインダクティブな学習が可能となり、未観測のノードやグラフへの一般化が可能になり、スケーラビリティと頑健性が向上した。
• DDPレイヤーは、学習可能なソフトプールを用いて1162ノードから18ノードへのグラフ粗視化に成功し、分類に必要な重要な構造的パターンを保持した。
• 著者らは、注目メカニズムを統合した再設計アーキテクチャにより、さらに精度の向上が見込まれると予想している。