[論文レビュー] Interpretable AI for relating brain structural and functional connectomes

Haoming Yang, Steven L. Winter+2 more|arXiv (Cornell University)|Oct 10, 2022

Functional Brain Connectivity Studies被引用数 4

ひとこと要約

本稿では、構造的接続体（SC）と機能的接続体（FC）を、グラフk近傍ノード層を用いてトポロジカル構造を統合した変分オートエンコーダーフレームワークで共同にモデリングするグラフオートエンコーダーStaf-GATEを提案する。FC予測において最先端の性能を達成し、SC-FC結合に関する解釈可能なインサイトを抽出するためのマスキングに基づく摂動法を導入することで、機能的結合に重要な性別差別的サブネットワークが特定された。

ABSTRACT

One of the central problems in neuroscience is understanding how brain structure relates to function. Naively one can relate the direct connections of white matter fiber tracts between brain regions of interest (ROIs) to the increased co-activation in the same pair of ROIs, but the link between structural and functional connectomes (SCs and FCs) has proven to be much more complex. To learn a realistic generative model characterizing population variation in SCs, FCs, and the SC-FC coupling, we develop a graph auto-encoder that we refer to as Staf-GATE. We trained Staf-GATE with data from the Human Connectome Project (HCP) and show state-of-the-art performance in predicting FC and joint generation of SC and FC. In addition, as a crucial component of the proposed approach, we provide a masking-based algorithm to extract interpretable inferences about SC-FC coupling. Our interpretation methods identified important SC subnetworks for FC coupling and relating SC and FC with sex.

研究の動機と目的

• 集団内における構造的接続体と機能的接続体の連合分布を捉える生成モデルの開発。
• k近傍ノード層アーキテクチャを用いてグラフトポロジーフィーチャーを統合することで、SCからFCを予測する精度の向上。
• 摂動ベースのマスキングアルゴリズムを用いて、SC-FC結合に関する解釈可能な推論を提供。
• 性別の違いに着目し、機能的結合を最も予測するサブネットワークを同定することで、SC-FC結合の性別差を調査。
• 後続の神経科学的応用を想定し、ペaired SC-FCデータの確率的推論とシミュレーションを可能にする。

提案手法

• Staf-GATEは、個々のSCを潜在変数にマップするエンコーダーを用いる変分オートエンコーダーであり、集団レベルの変動を捉える。
• デコーダーは、潜在変数からSCを再構築するためにグラフk近傍ノード層を用い、P(SC|z)をポisson潜在空間を通じてモデル化する。
• 予測生成器は、同じ潜在表現からFCを推定することで、SCとFCの共同生成を可能にする。
• マスキングに基づく摂動アルゴリズムを適用し、FC予測性能への影響を測定することで、重要なSCエッジを同定する。
• 統計的有意性のテストのための帰無分布を生成するためにブートストラップを用いる。
• モデルはHuman Connectome Project（HCP）データ上で訓練され、大規模な集団的接続体データを活用して強固な学習を実現する。

実験結果

リサーチクエスチョン

• RQ1 構造的接続体のどのサブネットワークが機能的結合を最も予測可能であり、個々の個人でどのように変動するか？
• RQ2 グラフトポロジーフィーチャーの統合が、構造的接続体から機能的接続体を予測する精度をどのように向上させるか？
• RQ3 SC-FC結合における性別差は何か？特に、男性と女性で機能的結合を最も予測する構造的結合はどのようになるか？
• RQ4 Staf-GATEのような深層生成モデルが、ネットワークトポロジーと集団レベルの変動を保持しながら、実際のSC-FCデータペアをリアルisticallyにシミュレートできるか？
• RQ5 神経集団学における複雑で非線形な深層学習モデルから、体系的な解釈可能な推論をどのように抽出できるか？

主な発見

• Staf-GATEは、構造的接続体から機能的接続体を予測する分野で最先端の性能を達成し、集団平均相関係数が0.9、個別平均相関係数が0.55を記録した。
• マスキングに基づく解釈手法により、機能的結合を予測する上で特に影響力を持つ構造的接続体のサブネットワークが同定され、非線形なSC-FC関係が明らかになった。
• この手法により、SC-FC結合における顕著な性別差が検出され、男性と女性で機能的結合を最も予測する構造的結合の異なるセットが特定された。
• モデルは、トレーニングデータのトポロジカル構造を保持する高精度なSCおよびFCペアを効果的に生成でき、接続体データのリアルなシミュレーションが可能となった。
• 摂動ベースの解釈アルゴリズムは汎用的であり、他の深層学習モデルに対してもSC-FC結合の結果を分析するために応用可能である。
• 強力な性能を示したが、個別レベルのFCをSCから正確に予測する能力は限定的であり、SCだけでは個別予測に十分な情報が含まれていない可能性が示唆された。