[論文レビュー] BrainIB: Interpretable Brain Network-based Psychiatric Diagnosis with Graph Information Bottleneck

Kaizhong Zheng, Shujian Yu+3 more|arXiv (Cornell University)|May 7, 2022

Functional Brain Connectivity Studies被引用数 5

ひとこと要約

BrainIB は、情報ボトルネック原理を活用して fMRI データから解釈可能な疾患特異的脳ネットワーク部分グラフを同定する、新しいグラフニューラルネットワークフレームワークである。多施設精神疾患データセットにおいて最先端の診断精度を達成するとともに、安定した相互情報量推定とエッジ中心の部分グラフ発見により一般化性能が向上し、臨床的に整合性のあるバイオマーカーを明らかにした。

ABSTRACT

Developing a new diagnostic models based on the underlying biological mechanisms rather than subjective symptoms for psychiatric disorders is an emerging consensus. Recently, machine learning-based classifiers using functional connectivity (FC) for psychiatric disorders and healthy controls are developed to identify brain markers. However, existing machine learning-based diagnostic models are prone to over-fitting (due to insufficient training samples) and perform poorly in new test environment. Furthermore, it is difficult to obtain explainable and reliable brain biomarkers elucidating the underlying diagnostic decisions. These issues hinder their possible clinical applications. In this work, we propose BrainIB, a new graph neural network (GNN) framework to analyze functional magnetic resonance images (fMRI), by leveraging the famed Information Bottleneck (IB) principle. BrainIB is able to identify the most informative edges in the brain (i.e., subgraph) and generalizes well to unseen data. We evaluate the performance of BrainIB against 3 baselines and 7 state-of-the-art brain network classification methods on three psychiatric datasets and observe that our BrainIB always achieves the highest diagnosis accuracy. It also discovers the subgraph biomarkers which are consistent to clinical and neuroimaging findings. The source code and implementation details of BrainIB are freely available at GitHub repository (https://github.com/SJYuCNEL/brain-and-Information-Bottleneck/).

研究の動機と目的

• fMRI を用いた精神疾患診断のための既存の機械学習モデルにおける解釈不能性と一般化性能の低さに対処すること。
• ノードレベル特徴量に依存するのではなく、臨床的に意味のある疾患特異的脳ネットワーク接続（部分グラフ）を同定するグラフニューラルネットワークフレームワークの開発。
• 多施設 fMRI データセットにおける分布シフトに強いモデルの頑健性を向上させることで、分布外一般化性能を強化すること。
• MINE の代わりに Rényi の α 階数エントロピーを用いることで、グラフベースの情報ボトルネックにおける相互情報量推定を安定化させ、学習の信頼性を向上させること。
• 発見された部分グラフバイオマーカーの臨床的妥当性を、既知の神経画像法および精神医学的知見と照合して検証すること。

提案手法

• 診断タスクを表現圧縮問題として扱うために、脳機能的結合（FC）ネットワークに情報ボトルネック（IB）原理を適用する。
• 相互情報量ニューラル推定器（MINE）の代わりに、行列ベースの Rényi の α 階数エントロピー関数を用いて、学習の安定性と収束性を向上させる。
• ノードではなく有用なエッジ（機能的結合）の選択に焦点を当てた部分グラフ生成器を設計し、接続パターンの臨床的重要性と整合させる。
• 診断ラベルとの相互情報量を最大化し、冗長性を最小化するように、エンドツーエンドで学習することで、コンactかつ情報豊富な部分グラフ表現を学習する。
• 大規模で多施設の fMRI データセット（ABIDE および REST-meta-MDD）を用いて、1人を除いた施設を交差検証（leave-one-site-out）および10分割交差検証を実施し、一般化性能を評価する。
• アブレーションおよび摂動実験を実施して、モデルの頑健性と解釈可能性を検証し、特に不要な小脳接続を追加して部分グラフの安定性をテストする。

実験結果

リサーチクエスチョン

• RQ1 情報ボトルネックに基づく GNN フレームワークは、既存の SOTA メソッドと比較して、より頑健で一般化可能な精神疾患の脳ネットワークバイオマーカーを同定できるか？
• RQ2 MINE の代わりに Rényi の α 階数エントロピーを用いることで、fMRI データに対するグラフベースの情報ボトルネックにおける学習安定性と性能が向上するか？
• RQ3 モデルは、MDD や ASD における既知の神経画像法的知見と整合する臨床的に解釈可能なエッジベースの部分グラフ（機能的結合）を同定できるか？
• RQ4 特に、以前に観測されていなかった施設のデータに対してテストされた場合、BrainIB は分布シフトにどのように対応するか？
• RQ5 BrainIB が同定した部分グラフ構造は、小脳における不適切な接続（スパイルエッジ）のような入力摂動に対して頑健であるか？

主な発見

• BrainIB は、ABIDE および REST-meta-MDD データセットの両方で、10分割交差検証および 1人を除いた施設交差検証の両方において、SIB を含む 8 つの最先端手法を上回る最高の診断精度を達成した。
• ABIDE データセットでは、元のデータで 71.8% の精度、摂動データ（小脳接続を追加）で 65.4% の精度を達成し、ノイズに敏感である一方で、部分グラフの同定が頑健であることを示した。
• モデルは疾患特異的部分グラフを同定した：MDD 患者では、デフォルトモードネットワーク（DMN）の結合性が上昇し、 somatomotor ネットワーク（SMN）の結合性が低下しており、既存の臨床的知見と一致した。
• ASD の場合、BrainIB は背側注意ネットワーク（DAN）の強い結合性と皮質下結合性の低下を強調しており、既知の神経生物学的パターンと整合した。
• トポロジー解析により、MDD 患者と健常対照群との間で、DMN および SMN の中心性と効率性の指標に顕著な差が認められ、発見された部分グラフの生物学的妥当性を裏付けた。
• 摂動実験の結果、BrainIB は不要なエッジが導入されても、安定的かつ意味のある部分グラフ構造を維持していることが確認され、発見バイオマーカーの頑健性と信頼性を示した。