[論文レビュー] Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis

Hejie Cui, Wei Dai+4 more|arXiv (Cornell University)|Jun 30, 2022

Functional Brain Connectivity Studies被引用数 4

ひとこと要約

本論文は、HIV、双極性障害、パーキンソン病のデータセットにおいて、脳障害を同時に予測するとともに、障害特異的なバイオマーカーを同定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、IBGNNを提案する。脳ネットワークに配慮したGNNバックボーンと、グローバルに共有される説明生成器を組み合わせることで、予測性能が向上し、HIV、双極性障害、パーキンソン病の各データセットにおいて生物学的に意味のある注目領域（ROIs）と接続が明らかになった。

ABSTRACT

Human brains lie at the core of complex neurobiological systems, where the neurons, circuits, and subsystems interact in enigmatic ways. Understanding the structural and functional mechanisms of the brain has long been an intriguing pursuit for neuroscience research and clinical disorder therapy. Mapping the connections of the human brain as a network is one of the most pervasive paradigms in neuroscience. Graph Neural Networks (GNNs) have recently emerged as a potential method for modeling complex network data. Deep models, on the other hand, have low interpretability, which prevents their usage in decision-critical contexts like healthcare. To bridge this gap, we propose an interpretable framework to analyze disorder-specific Regions of Interest (ROIs) and prominent connections. The proposed framework consists of two modules: a brain-network-oriented backbone model for disease prediction and a globally shared explanation generator that highlights disorder-specific biomarkers including salient ROIs and important connections. We conduct experiments on three real-world datasets of brain disorders. The results verify that our framework can obtain outstanding performance and also identify meaningful biomarkers. All code for this work is available at https://github.com/HennyJie/IBGNN.git.

研究の動機と目的

• 脳障害診断におけるディープラーニングモデルの解釈不能性の問題に対処すること。
• 個々の被験者に特化した説明ではなく、被験者間で共通する障害特異的な脳ネットワークパターンを同定すること。
• 統一的かつグローバルに共有される説明マスクを用いて、疾患予測性能を向上させること。
• 同定されたバイオマーカーの生物学的妥当性を、既存の神経科学文献と照合して検証すること。
• 被験者特異の連結体をグループレベルの解釈と統合し、多層次元の分析を可能にするフレームワークの開発

提案手法

• バックボーンモデル、IBGNNは、脳領域間のノード特徴と重み付きエッジ接続を統合するエッジ重みに配慮したメッセージパッシング機構を採用する。
• ノード表現は、隣接ノード（自己接続を含む）からのメッセージを集約し、非線形活性化関数を用いて更新される。
• 全被験者にわたってグローバルに共有される説明マスクが学習され、障害特異的な注目領域（ROIs）と重要な接続が強調される。
• 説明マスクは元の脳ネットワークに適用され、マスク化されたグラフが作成され、バックボーンモデルと統合されてIBGNN+が形成される。
• 説明ジェネレータは、同じ障害を有する患者間で共通する顕著なROIsおよび接続を同定する、単一の共有解釈行列を生成する。
• フレームワークはエンドツーエンドで訓練され、同時に予測と解釈が可能となり、3つの実世界の神経画像データセットで性能が評価された。

実験結果

リサーチクエスチョン

• RQ1 GNNベースのモデルは、連結体に基づく脳障害予測において高い性能を達成すると同時に、解釈可能であるか？
• RQ2 グローバルに共有される説明は、既存の神経科学的知見と整合する生物学的に妥当なバイオマーカーを同定できるか？
• RQ3 説明マスクの統合により、GNNバックボーンの予測性能が向上するか？
• RQ4 HIV、双極性障害、パーキンソン病などの異なる脳障害において、顕著なROIsおよび接続が一貫しているか？
• RQ5 本モデルは、画像品質の個人差に強く、グループレベルのネットワークパターンを明らかにできるか？

主な発見

• IBGNNバックボーンモデルは、3つの実世界のデータセット（HIV、BP、PPMI）で強力な性能を示し、異なる神経画像モodalitiesにわたる一般化能力を示した。
• グローバルに共有される説明マスクは、障害特異的なバイオマーカーを効果的に同定した。例えばHIV患者では下側前頭回、パーキンソン病患者では頭端中前頭回が顕著に特定された。
• 説明サブグラフは、HIV患者においてデフォルトモードネットワーク（DMN）および視覚ネットワーク（VN）の顕著な障害を明らかにした。これは、既知の視覚処理障害と整合的であった。
• 双極性障害では、後頭注意ネットワーク（BLN）内での結合性低下が強調され、後頭葉機能障害の臨床的知見と一致した。
• パーキンソン病では、運動器関連ネットワーク（SMN）およびDMNにおける結合性低下が観察され、運動および認知機能低下に関する先行神経画像研究を確認した。
• 説明強化グラフを用いてバックボーンをファインチューニングするIBGNN+モデルは、ベースモデルよりもさらなる性能向上を示し、説明モジュールの有効性を裏付けた。