[論文レビュー] Graph Neural Network for Interpreting Task-fMRI Biomarkers

Xiaoxiao Li, Nicha C. Dvornek+4 more|arXiv (Cornell University)|Jul 2, 2019

Functional Brain Connectivity Studies参考文献 15被引用数 14

ひとこと要約

本稿では、特徴量の置換を必要とせず、勾配に基づく特徴重要度を用いて、自閉症スペクトラム障害（ASD）のためのタスクfMRIバイオマーカーを解釈する二段階のグラフニューラルネットワーク（GNN）フレームワークを提案する。この手法は83.6％のテスト精度を達成し、社会行動に関連する生物学的に妥当な脳領域およびサブグラフを同定する。また、複数のアトラスやハイパーパrameterに対して、ランダムフォレストよりも解釈可能性と頑健性に優れる。

ABSTRACT

Finding the biomarkers associated with ASD is helpful for understanding the underlying roots of the disorder and can lead to earlier diagnosis and more targeted treatment. A promising approach to identify biomarkers is using Graph Neural Networks (GNNs), which can be used to analyze graph structured data, i.e. brain networks constructed by fMRI. One way to interpret important features is through looking at how the classification probability changes if the features are occluded or replaced. The major limitation of this approach is that replacing values may change the distribution of the data and lead to serious errors. Therefore, we develop a 2-stage pipeline to eliminate the need to replace features for reliable biomarker interpretation. Specifically, we propose an inductive GNN to embed the graphs containing different properties of task-fMRI for identifying ASD and then discover the brain regions/sub-graphs used as evidence for the GNN classifier. We first show GNN can achieve high accuracy in identifying ASD. Next, we calculate the feature importance scores using GNN and compare the interpretation ability with Random Forest. Finally, we run with different atlases and parameters, proving the robustness of the proposed method. The detected biomarkers reveal their association with social behaviors. We also show the potential of discovering new informative biomarkers. Our pipeline can be generalized to other graph feature importance interpretation problems.

研究の動機と目的

• タスクfMRIデータにおける自閉症スペクトラム障害（ASD）のための脳ネットワークバイオマーカーを特定する、頑健で解釈可能な手法の開発。
• 特徴量の置換を要する従来のGNN解釈手法の限界を克服し、データ分布の歪みや重要度スコアのバイアスを回避する。
• 機能的結合、幾何学的要因、解剖学的特徴、タスク関連パrameterといったマルチモodal fMRI特徴を統合的にグラフ表現に統合し、バイオマーカー同定の向上を図る。
• 遮断や再サンプリングを伴わずに、サブグラフおよびノードに対するモデル応答を評価することで、GNN予測の信頼性ある解釈を可能にする。
• 異なる脳パラセレーションアトラス（Destrieux、Desikan-Killiany）およびハイパーパrameter（例：サブグラフサイズR）に対して、手法の頑健性を検証する。

提案手法

• 本手法は、タスクfMRIデータからマルチグラフを構築し、ノードを脳領域（ROIs）として定義し、エッジは機能的結合、部分的結合、幾何学的結合を符号化する。
• ノード特徴には、手作業で設計された指標を用いる：結合度、GLM係数、タスクfMRIの平均/標準偏差、3次元座標を含み、分布の正規化のためBox-Cox変換を施す。
• メッセージパッシングとグラフ同型性に基づく誘導的GNN分類器は、エッジ特徴に学習可能なMLPを用いて、近隣特徴を集約することでノード表現を学習する。
• ノード次数正規化とReLU活性化を用いた残差集約メカニズムにより、構造的不変性を維持し、過剰平滑化を防ぐ。
• 特徴重要度は勾配に基づく説明により算出される：期待勾配の大きさ $ \mathbb{E}\left(\frac{1}{N}\sum_i \left|\frac{\partial y}{\partial v_{ij}}\right|\right) $、ここで $ y $ はASDの予測確率を表す。
• サブグラフ重要度は、上位スコアのコミュニティとしてのROIsを選別し、Neurosynthを用いてその機能的関連性を解釈することで特定する。

実験結果

リサーチクエスチョン

• RQ1 GNNベースのフレームワークは、タスクfMRIデータからASDを分類する際に高い精度を達成すると同時に、脳ネットワークバイオマーカーの信頼性ある解釈を可能にするか？
• RQ2 本稿で提案するGNN解釈手法は、ランダムフォレストのような従来手法と比較して、生物学的に意味のある脳領域および特徴をどのように効果的に同定するか？
• RQ3 本手法は、異なる脳パラセレーションアトラス（例：Destrieux対Desikan-Killiany）およびハイパーパrameter（例：サブグラフサイズR）に対しても頑健性を維持するか？
• RQ4 同定されたサブグラフは、社会認知に関連する機能的デコードが可能であり、既存のASD関連文献と整合的か？
• RQ5 本モデルは、既知のASD関連領域を超えた、新たな情報性の高いバイオマーカーを同定できるか？

主な発見

• 提案されたGNNは、ASDと健常対照群の分類において83.6％のテスト精度を達成し、ランダムフォレストベースライン（77.4％）を上回った。
• GNNはランダムフォレストと重複する9つの脳領域を上位バイオマーカーとして同定したが、ノード特徴の重要度スコアがより一様で生物学的に妥当であった。特に、生物学的モーションパラメータ $ \beta_1 $ が最も影響力が大きかった。
• GNNが同定した上位30のROIsには、すべてのアトラスおよびパラメータ設定で、社会的動機づけとASDに関連するとされる前頭前野腹側領域（orbitofrontal cortex）および腹内側前頭前野（ventromedial prefrontal cortex）が含まれていた。
• 上位2つのサブグラフ（それぞれ19個のROIsから構成）は、ハイレベルな社会行動に関連すると機能的にデコードされた。これらのサブグラフを入力として用いることで78.9％のテスト精度が達成され、完全なグラフと同等の性能を示した。
• 本手法は、異なるアトラス（A1およびA2）およびサブグラフサイズ（R = 10, 20, 30）に対して、一貫して主要な領域が選択されることから、頑健性を示した。
• Neurosynthデコードにより、上位サブグラフが社会認知関連のキーワードで豊富にエンリッチされていることが確認され、その機能的妥当性が裏付けられた。