[論文レビュー] Multi-modal Graph Fusion for Inductive Disease Classification in Incomplete Datasets

Gerome Vivar, Hendrik Burwinkel+4 more|arXiv (Cornell University)|May 8, 2019

AI in cancer detection参考文献 3被引用数 4

ひとこと要約

本論文は、グラフ自己注意ネットワーク（GAT）を用いたマルチモーダルグラフ統合フレームワークを提案し、ブロック単位で欠損するモダリティを有する不完全な医療データセットにおいて、帰納的でノードレベルの疾患分類を可能にする。MRI、PET、CSFデータそれぞれに対して別々のGATブランチを学習し、その表現をエンドツーエンドで統合することで、単一グラフベースラインや平均補完法よりも優れた性能を達成し、特に欠損率が50%に達するような高欠損状況下でも、耐性と一般化性能を示す。

ABSTRACT

Clinical diagnostic decision making and population-based studies often rely on multi-modal data which is noisy and incomplete. Recently, several works proposed geometric deep learning approaches to solve disease classification, by modeling patients as nodes in a graph, along with graph signal processing of multi-modal features. Many of these approaches are limited by assuming modality- and feature-completeness, and by transductive inference, which requires re-training of the entire model for each new test sample. In this work, we propose a novel inductive graph-based approach that can generalize to out-of-sample patients, despite missing features from entire modalities per patient. We propose multi-modal graph fusion which is trained end-to-end towards node-level classification. We demonstrate the fundamental working principle of this method on a simplified MNIST toy dataset. In experiments on medical data, our method outperforms single static graph approach in multi-modal disease classification.

研究の動機と目的

• 臨床意思決定支援システムにおけるマルチモーダルで不完全な医療データの課題に対処すること。
• MRIやPETスキャンが完全に欠損している場合でも、帰納的かつ未知の患者に対する疾患分類を可能にすること。
• グラフ初期化に敏感な単一グラフGNNに比べ、一般化性能と耐性を向上させること。
• 一部のモダリティが欠損している場合でも、複数のモダリティ間の情報を活用するエンドツーエンドで学習可能な統合メカニズムを開発すること。
• 制御された欠損状況下で、実世界の医療データ（TADPOLE）と変更版MNISTデータセットを用いて、手法を評価すること。

提案手法

• 本手法は、各モダリティ（例：MRI、PET、CSF）を別々に処理する複数のGATブランチを採用し、モダリティ固有の表現学習を可能にする。
• 各モダリティは、特徴量の類似度に基づいて隣接ノードの重みを動的に設定できる多首領アテンションを備えたGATを経由して処理される。
• 後期統合戦略として、個々のGATブランチの出力を要素ごとの平均化または連結処理し、その後に最終分類器を適用する。
• ノードレベルの交差エントロピー損失を用いてエンドツーエンドで学習され、訓練済みグラフに含まれない患者に対しても帰納的推論が可能になる。
• グラフはk近傍（NN-Graph）または相互情報量（MI-Graph）を用いて初期化され、特徴空間における患者の類似度を捉える。
• 本手法はブロック単位の欠損をサポートしており、患者1人あたりのモダリティ全体が欠損していても補完処理を必要としない。

実験結果

リサーチクエスチョン

• RQ1 ブロック単位で欠損する不完全なデータにおいて、マルチモーダルグラフ統合フレームワークは単一グラフGNNよりも優れた性能を発揮できるか？
• RQ2 標準的な機械学習およびGNNベースラインと比較して、本手法はモダリティ欠損率が10%や50%といったさまざまな水準下でどのように性能を発揮するか？
• RQ3 複数のGATブランチをエンドツーエンドで学習することで、単一の静的グラフに依存する手法と比較して、グラフ初期化への耐性が向上するか？
• RQ4 訓練時に観測されていなかった患者に対しても、本モデルは一般化可能か？特に、モダリティ全体が欠損している場合でも。
• RQ5 実世界の臨床データセットにおいて、複数のモダリティ固有のグラフの統合は、平均補完戦略を上回る性能を発揮するか？

主な発見

• TADPOLEデータセットでは、提案手法のGAT-Fusionが72.07%の正解率を達成した。これは、平均補完を施した単一グラフGAT（GAT-Imp）の10%～24%低い性能に比べ、顕著に優れている。
• 変更版MNISTデータセットにおける50%のブロック単位の欠損状況下で、GAT-Fusionは90.26%の正解率を達成し、ランダムフォレスト（92.37%）を除けば、40%および50%の欠損率下でのみ上回った。
• GAT-Fusionモデルは、単一の不適切なグラフ構造に依存しないため、グラフ初期化に対する耐性が向上した。
• TADPOLEデータセットにおいて、最も優れたGAT-Fusionバージョン（GAT1 with MI-Graph）はAUC 0.569を達成し、他のGATおよびベースラインモデルを上回った。
• 本手法は帰納的推論を成功裏に実現し、訓練グラフに含まれない患者の分類が可能であった。これは、従来の伝達的（transductive）手法に比べ、顕著な利点である。
• 結果から、実世界の不完全な医療データを扱う際、マルチグラフ統合は単一グラフや平均補完ベースラインよりも効果的であることが確認された。