[論文レビュー] Classification of developmental and brain disorders via graph convolutional aggregation

Ibrahim Salim, A. Ben Hamza|arXiv (Cornell University)|Nov 13, 2023

Autism Spectrum Disorder Research被引用数 4

ひとこと要約

本論文は、画像的特徴と非画像的特徴を統合してノードおよびエッジ特徴を持つ集団グラフを構築することで、自閉症スペクトラム障害およびアルツハイマー病の分類を向上させるアグレゲータ正規化グラフ畳み込みニューラルネットワーク（AN-GCN）を提案する。スキップ接続、アイデンティティマッピング、およびグラフサンプリングに基づくアグレゲーションを統合することで、計算複雑性に変化がないまま、ABIDEおよびADNIデータセットにおいてGCNに対してそれぞれ50%および13.56%の相対的精度向上を達成した。

ABSTRACT

While graph convolution based methods have become the de-facto standard for graph representation learning, their applications to disease prediction tasks remain quite limited, particularly in the classification of neurodevelopmental and neurodegenerative brain disorders. In this paper, we introduce an aggregator normalization graph convolutional network by leveraging aggregation in graph sampling, as well as skip connections and identity mapping. The proposed model learns discriminative graph node representations by incorporating both imaging and non-imaging features into the graph nodes and edges, respectively, with the aim of augmenting predictive capabilities and providing a holistic perspective on the underlying mechanisms of brain disorders. Skip connections enable the direct flow of information from the input features to later layers of the network, while identity mapping helps maintain the structural information of the graph during feature learning. We benchmark our model against several recent baseline methods on two large datasets, Autism Brain Imaging Data Exchange (ABIDE) and Alzheimer's Disease Neuroimaging Initiative (ADNI), for the prediction of autism spectrum disorder and Alzheimer's disease, respectively. Experimental results demonstrate the competitive performance of our approach in comparison with recent baselines in terms of several evaluation metrics, achieving relative improvements of 50% and 13.56% in classification accuracy over graph convolutional networks on ABIDE and ADNI, respectively.

研究の動機と目的

• マルチモodalデータを用いたグラフベースの表現学習により、神経発達障害および神経変性疾患の病態予測を向上させること。
• 構造的イノベーションを通じて、深層グラフ畳み込みネットワークにおける過剰なスムージングを是正すること。
• 画像的および非画像的特徴を統合的に統合した統一されたグラフ構造を用いて、包括的な脳疾患モデリングを実現すること。
• 大規模な神経画像データセットにおける予測性能を向上させる一方で、計算効率を維持すること。
• 早期診断および個別化治療計画に向けた解釈可能でスケーラブルなモデルを実現すること。

提案手法

• モデルは、被験者に画像的および非画像的特徴を持つノードを割り当て、エッジは被験者間のペアワイズ類似度を符号化する集団グラフを構築する。
• グラフ畳み込みは、特徴伝搬のばらつきを低減するための正規化されたグラフサンプリングを活用した層ごとのアグレゲーションルールによって実行される。
• スキップ接続を導入することで、入力特徴が深層に直接伝わるようになり、初期特徴情報が保持される。
• アイデンティティマッピングを適用することで、特徴学習中にグラフの構造的整合性が維持され、情報劣化が低減される。
• アグレゲータ正規化を用いることで、グラフサンプリングにおけるミニバッチ推定のバイアスを緩和し、学習を安定化させる。
• モデルは、標準的なGCNと同等のメモリおよび時間計算量を維持しており、性能の妥協なしに効率的なスケーリングが可能である。

実験結果

リサーチクエスチョン

• RQ1 マルチモーダルデータを用いた場合、グラフ畳み込みネットワークは発達障害および脳疾患の分類に効果的に適応可能か？
• RQ2 スキップ接続およびアイデンティティマッピングを組み込むことで、脳疾患予測におけるGCNの性能向上と過剰スムージングの緩和はどの程度達成されるか？
• RQ3 アグレゲータ正規化を伴うグラフサンプリングは、神経画像データセットにおけるモデルの安定性および一般化性能をどの程度向上させるか？
• RQ4 提案手法は、ABIDEおよびADNIデータセットにおいて、標準GCNおよび最近のベースラインと比較して精度および頑健性の面で優れているか？
• RQ5 既存のGCN変種と比較して、計算コストを増加させることなく、高い性能を維持できるか？

主な発見

• AN-GCNモデルは、自閉症スペクトラム障害予測においてABIDEデータセットで標準GCNよりも50%の相対的精度向上を達成した。
• ADNIデータセットでは、アルツハイマー病分類においてGCNと比較して13.56%の相対的精度向上を示した。
• モデルは、標準GCNと同等のメモリおよび時間計算量を維持しており、性能の妥協なしに効率的な展開が可能である。
• バッチサイズの分析から、最適な性能は1000で達成され、それ以上のサイズでは一般化性能が低下し、それ以下のサイズでは収束しないリスクが生じた。
• ドメインシフトや複雑な神経的パターンが存在するにもかかわらず、モデルはデータセット全体で一貫した性能向上を示した。
• 制限事項として、スキップ接続およびアイデンティティマッピングにより解釈性が低下する可能性があり、ドメインシフトに起因する分布外データでの性能劣化のリスクがある。