[論文レビュー] Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model

Haoteng Tang, Guixiang Ma+4 more|arXiv (Cornell University)|Jul 14, 2022

Functional Brain Connectivity Studies被引用数 4

ひとこと要約

本論文は、臨床予測タスクにおける性能向上を図るために、データ拡張を組み合わせた対照学習を統合した、脳機能ネットワーク表現学習のための新規階層的符号付きグラフプーリングモデルを提案する。この手法は、HCPおよびOASISデータセットにおいて分類および回帰タスクで最先端の結果を達成するとともに、グラフセイリエンシー図を用いた解釈可能なバイオマーカーの同定を可能にする。

ABSTRACT

Recently brain networks have been widely adopted to study brain dynamics, brain development and brain diseases. Graph representation learning techniques on brain functional networks can facilitate the discovery of novel biomarkers for clinical phenotypes and neurodegenerative diseases. However, current graph learning techniques have several issues on brain network mining. Firstly, most current graph learning models are designed for unsigned graph, which hinders the analysis of many signed network data (e.g., brain functional networks). Meanwhile, the insufficiency of brain network data limits the model performance on clinical phenotypes predictions. Moreover, few of current graph learning model is interpretable, which may not be capable to provide biological insights for model outcomes. Here, we propose an interpretable hierarchical signed graph representation learning model to extract graph-level representations from brain functional networks, which can be used for different prediction tasks. In order to further improve the model performance, we also propose a new strategy to augment functional brain network data for contrastive learning. We evaluate this framework on different classification and regression tasks using the data from HCP and OASIS. Our results from extensive experiments demonstrate the superiority of the proposed model compared to several state-of-the-art techniques. Additionally, we use graph saliency maps, derived from these prediction tasks, to demonstrate detection and interpretation of phenotypic biomarkers.

研究の動機と目的

• fMRIデータに一般的に見られる符号付き脳機能ネットワークを適切に扱えない既存のグラフニューラルネットワークの限界を解決すること。
• 脳ネットワークデータの不足に起因する課題を克服するため、対照学習に適した新規なデータ拡張戦略を提案すること。
• 注目度マッピングを用いて予測された表現型に関する生物学的洞察を可能にする、モデルの解釈性を向上させること。
• より良い表現学習を実現するため、複数スケールの脳ネットワーク構造を捉える階層的グラフプーリング機構の開発

提案手法

• 複数段階のグラフ階層においてノード特徴量を統合することで、脳機能ネットワークの低次元表現を学習する階層的符号付きグラフプーリングフレームワークを提案する。
• バランス理論に基づく符号付きグラフ畳み込みネットワークを導入し、脳領域間の正負の機能的結合をモデル化する。
• 一般化性能と表現品質の向上を図るため、拡張された脳ネットワークサンプルを用いた対照学習目的関数を設計する。
• エッジの摂動とノード特徴量のマスキングを用いたデータ拡張により、対照的事前学習のための正例ペアを生成する。
• 注目度マッピングから得られるグラフセイリエンシー図を用い、臨床表現型に関連する重要な脳領域を強調する。
• グローバルリードアウトと階層的プーリングを統合し、下流の分類および回帰タスクに適したグラフレベルの表現を生成する。

Figure 1: Diagram of the proposed contrastive graph learning framework (in the bottom black box) with hierarchical signed graph representation learning model (in the top black box) for functional brain network embedding and downstream tasks (i.e., phenotype classification or regression).

実験結果

リサーチクエスチョン

• RQ1 階層的符号付きグラフプーリングモデルは、臨床予測のための脳ネットワーク表現学習において、既存の符号なしグラフ学習手法を上回る性能を示すか？
• RQ2 限られた脳ネットワークデータ下で、提案された対照学習戦略とデータ拡張は、モデル性能の向上にどの程度有効か？
• RQ3 注目度マッピングを用いたモデル予測の解釈性は、特定の表現型に関連する生物学的に妥当な脳領域を同定するのにどの程度有効か？
• RQ4 符号付きグラフ学習にバランス理論を統合することで、機能的脳結合パターンのモデリングが向上するか？

主な発見

• 提案手法は、HCPおよびOASISデータセットを用いた分類および回帰タスクにおいて、既存の最先端手法を上回る最先端の性能を達成した。
• データ拡張を用いた対照学習は、神経画像診断で一般的な低データ環境下でも、モデルの一般化性能を顕著に向上させた。
• グラフセイリエンシー図は、MMSE、Flanker、攻撃的行動といった臨床表現型に関連する生物学的に妥当な脳領域を効果的に同定した。
• モデルは、前頭頂内側皮質、島皮質、cingulate cortexといった既知の神経解剖学的領域を、認知的および行動的特性の主な寄与要因として特定した。
• 階層的プーリングにより、平坦なGNNと比較して、より良いマルチスケール脳ネットワーク組織の捉えが可能となり、表現品質が向上した。
• バランス理論に基づく符号付きグラフ学習の導入により、機能的ネットワークにおけるノード関係がより解釈可能で生物学的に整合性のあるものとなった。

Figure 2: Visualization of the averaged adjacency matrices for original and contrastive samples. The averaged contrastive sample pair is generated by using a window size $d=10$ .