[論文レビュー] BrainNNExplainer: An Interpretable Graph Neural Network Framework for Brain Network based Disease Analysis

Hejie Cui, Wei Dai+4 more|arXiv (Cornell University)|Jul 11, 2021

Machine Learning in Healthcare参考文献 39被引用数 15

ひとこと要約

BrainNNExplainer は、神経障害の原因となる脳ネットワーク結合を強調するため、疾患予測バックボーンモデルとグローバルに共有される説明生成器を同時に学習する解釈可能なグラフニューラルネットワークフレームワークである。HIVおよび双極性障害のデータセットにおいて最先端の性能を達成するとともに、神経科学的に検証された解釈可能なエッジマスクを生成し、コミュニティ構造の明確化とモデルの透明性を向上させた。

ABSTRACT

Interpretable brain network models for disease prediction are of great value for the advancement of neuroscience. GNNs are promising to model complicated network data, but they are prone to overfitting and suffer from poor interpretability, which prevents their usage in decision-critical scenarios like healthcare. To bridge this gap, we propose BrainNNExplainer, an interpretable GNN framework for brain network analysis. It is mainly composed of two jointly learned modules: a backbone prediction model that is specifically designed for brain networks and an explanation generator that highlights disease-specific prominent brain network connections. Extensive experimental results with visualizations on two challenging disease prediction datasets demonstrate the unique interpretability and outstanding performance of BrainNNExplainer.

研究の動機と目的

• 脳ネットワークに基づく疾患予測における既存のGNNの解釈不能性と過学習の問題に対処すること。
• 被験者全体にわたって一貫した疾患固有の説明を共同で学習する統合フレームワークの開発。
• 既知の神経系と神経科学的知見に一致する説明を提供することで、臨床的意義を高めること。
• バックボーンと説明モジュールの段階的最適化を含む3段階の訓練戦略により、モデルの性能と解釈可能性を向上させること。

提案手法

• 本フレームワークは、脳ネットワークに特化したバックボーンGNN（BrainNN）と、グローバルに共有されるエッジマスクを学習する説明生成器の2つのモジュールから構成され、同時に学習される。
• BrainNNは、脳ネットワークにおける実数値の結合強度を扱うためにエッジ重みに配慮したメッセージパッシングを採用し、ワンホット表現のROI識別子、次数プロファイル（LDP）、およびnode2vec埋め込みなどのノード特徴を統合する。
• 説明生成器は、すべての被験者にわたって一括して共有されるエッジマスクを生成し、疾患関連結合を強調することで一貫性と解釈可能性を促進する。
• 3段階の訓練戦略により、元のグラフ上でバックボーンを学習し、生成された説明マスクを用いてそれを改善する操作を交互に繰り返すことで、精度と解釈可能性の両方を向上させる。
• ノード特徴は、局所次数統計（LDP）およびその他の人工的特徴を用いて構築され、ROI固有の特徴が限られる中でも表現学習を強化する。
• 説明は、ROIsを8つの神経系（例：DMN、BLN）にマッピングする神経科学的根拠に基づき検証され、コミュニティ構造評価指標（例：モジュラリティ、Fowlkes-Mallows）を用いて説明品質を評価する。

実験結果

リサーチクエスチョン

• RQ1 共同で訓練されるGNNと説明生成器のフレームワークは、脳ネットワークに基づく疾患解析における予測性能と解釈可能性を向上させることができるか？
• RQ2 被験者間で共有されるグローバルなエッジマスクは、個別に最適化された説明よりも生物学的に意味のある脳ネットワークパターンをよりよく反映するか？
• RQ3 生成された説明は、既知の神経系と確立された神経科学的知見とどの程度一致するか？
• RQ4 実数値の結合重みを持つ脳ネットワークにおいて、エッジ重みに配慮したメッセージパッシングは表現学習をどのように向上させるか？
• RQ5 元のグラフと比較して、説明マスクは脳ネットワークにおけるコミュニティ構造の検出可能性を向上させるか？

主な発見

• HIVデータセットでは、BrainNNExplainerは77.14%の精度と75.00%のAUCを達成し、GCN や DiffPool を含むすべての最先端ベースラインを上回った。
• BPデータセットでは、BrainNNExplainerは75.56%の精度と69.88%のAUCを達成し、バックボーンであるBrainNNよりも5%の絶対的向上を示し、先行研究よりも顕著な向上を示した。
• 説明マスクによりコミュニティ検出指標が向上：完全性（+7.21%）、Fowlkes-Mallows（+5.10%）、一貫性（+5.82%）、相互情報量（+5.12%）、v-measure（+6.44%）。
• 可視化により、HIVおよび双極性障害の既知の神経生物学的パターンに一致する、デフォルトモードネットワーク（DMN）および左右 limbic ネットワーク（BLN）における疾患固有の結合が一貫して強調されていることが確認された。
• BrainNNに組み込まれたエッジ重みに配慮したメッセージパッシング機構は、GAT や GCN といった標準GNNよりも優れた性能を示し、脳ネットワークデータに特化した重要性を裏付けた。
• 3段階の訓練戦略により、予測モデルと説明生成器が効果的に最適化され、より正確で解釈可能な予測が得られた。