[論文レビュー] Learning the Hierarchical Organization in Brain Network for Brain Disorder Diagnosis

Jingfeng Tang, Peng Cao+4 more|arXiv (Cornell University)|Mar 10, 2026

Functional Brain Connectivity Studies被引用数 0

ひとこと要約

BrainHO は固定アトラスを用いない fMRI 接続から階層的で学習可能なサブグラフ表現を学習し、ABIDE と REST-meta-MDD で最先端の精度を達成し、解釈可能な疾患関連サブネットワークを明らかにします。

ABSTRACT

Brain network analysis based on functional Magnetic Resonance Imaging (fMRI) is pivotal for diagnosing brain disorders. Existing approaches typically rely on predefined functional sub-networks to construct sub-network associations. However, we identified many cross-network interaction patterns with high Pearson correlations that this strict, prior-based organization fails to capture. To overcome this limitation, we propose the Brain Hierarchical Organization Learning (BrainHO) to learn inherently hierarchical brain network dependencies based on their intrinsic features rather than predefined sub-network labels. Specifically, we design a hierarchical attention mechanism that allows the model to aggregate nodes into a hierarchical organization, effectively capturing intricate connectivity patterns at the subgraph level. To ensure diverse, complementary, and stable organizations, we incorporate an orthogonality constraint loss, alongside a hierarchical consistency constraint strategy, to refine node-level features using high-level graph semantics. Extensive experiments on the publicly available ABIDE and REST-meta-MDD datasets demonstrate that BrainHO not only achieves state-of-the-art classification performance but also uncovers interpretable, clinically significant biomarkers by precisely localizing disease-related sub-networks.

研究の動機と目的

• 固定アトラスベースのサブネットワーク解析の限界を動機づける。
• PCCベースのグラフから intrinsic な階層的脳組織を学習する BrainHO を導入する。
• 多様で安定したサブ그래프を保証する直交性制約付きの階層的注意機構とサブグラフトークンを開発する。
• ノード特徴を精緻化し疾患識別性を向上させるための階層的整合性を課す。
• ABIDE と REST-meta-MDD における最先端の性能を示し、解釈可能なバイオマーカーを提供する。

提案手法

• PCCベースの脳機能結合をノードトークンへ射影する。
• ノード・サブグラフ・グラフのレベルをまたぐ階層的注意機構を、学習可能なサブグラフトークンとともに適用する。
• ノードからサブグラフへの縮約には Sparsemax 注意を用い、疎かつ解釈可能にする。
• グラフ間の注意を計算して分類のための全体的な脳表現を取得する。
• 多様なサブグラフを促進するサブグラフ直交性損失を課す。
• 辅助ノードレベル分類器と教師-生徒KLダイバージェンスを介した階層的整合性損失を組み込み、ノード特徴を精練する。

実験結果

リサーチクエスチョン

• RQ1 学習可能な階層的組織モデルは事前定義されたアトラスを超えたネットワーク間相互作用を捉えられるのか。
• RQ2 サブグラフ間の直交性と階層的整合性を課すことは精度と解釈性を向上させるのか。
• RQ3 BrainHO は大規模 ASD および MDD rs-fMRI データセットでアトラスベースおよび生信号ベースのベースラインと比較してどうか。
• RQ4 学習されたサブネットワークからどのような臨床的に意味のあるバイオマーカーが現れるのか。

主な発見

Dataset	Methods	Input	ACC(%)	AUC(%)	SEN(%)	SPE(%)
REST-meta-MDD	BNT	P	63.28 b1 1.48	69.08 b1 1.49	65.03 b1 4.83	61.41 b1 6.48
REST-meta-MDD	Com-BrainTF	P	63.24 b1 2.34	68.73 b1 1.76	60.93 b1 7.67	66.21 b1 6.90
REST-meta-MDD	ALTER	B,P	63.95 b1 0.72	68.91 b1 0.88	64.94 b1 6.28	62.75 b1 7.75
REST-meta-MDD	DHGFormer	B,P	61.60 b1 1.36	65.18 b1 1.79	64.73 b1 3.55	58.01 b1 3.84
REST-meta-MDD	LHDFormer	B,P	63.95 b1 1.88	69.96 b1 1.80	65.08 b1 5.25	62.79 b1 8.36
REST-meta-MDD	BrainHO(Ours)	P	64.71 b1 2.01	68.83 b1 1.34	67.43 b1 4.19	61.51 b1 3.65
ABIDE	Baseline	P	61.55 b1 2.95	68.85 b1 2.91	62.11 b1 13.20	62.05 b1 12.69
ABIDE	w/o HA	P	61.74 b1 1.78	69.09 b1 1.26	59.57 b1 9.02	64.07 b1 6.99
ABIDE	w/o ﾂｩlagOCﾂ	P	65.61 b1 1.46	71.22 b1 1.49	73.10 b1 11.28	59.19 b1 10.74
ABIDE	w/o ﾂｩlagAuxﾂ	P	67.20 b1 2.13	72.24 b1 3.56	69.32 b1 5.17	65.39 b1 4.98
ABIDE	w/o ﾂｩlaghcﾂ	P	68.89 b1 3.05	73.67 b1 2.60	67.69 b1 5.12	70.58 b1 2.71
ABIDE	BrainHO(Ours)	P	69.68 b1 2.11	73.80 b1 2.52	73.11 b1 6.73	67.08 b1 4.17

• BrainHO は静的 PCC 接続のみを用いて ABIDE と REST-meta-MDD で最先端の精度とAUCを達成。
• BrainHO は ABIDE で正解率 69.68%、AUC 73.80%、感度 73.11% を達成。
• REST-meta-MDD では正解率 64.71%、感度 67.43%、堅牢な一般化を示す。
• アブレーション解析により、直交性または階層的整合性を除去すると性能が低下することを確認し、それらの寄与を検証。
• 学習したサブネットワークは既知の機能的ネットワークと整合し、ネットワーク間相互作用を明らかにし、解釈性と臨床的関連性を支持する。