[論文レビュー] Multi-View Graph Convolutional Network and Its Applications on Neuroimage Analysis for Parkinson's Disease

Xi Zhang, Lifang He+4 more|arXiv (Cornell University)|May 22, 2018

Parkinson's Disease Mechanisms and Treatments参考文献 26被引用数 72

ひとこと要約

論文は HOSLR を導入します。高次のスパースロジスティック回帰モデルがテンソルデータを直接扱い、臨床リスク予測のためにブロック座標降下法と近接勾配法で解かれ、fMRI および EHR データセットで検証され、競争力のある性能と解釈可能な特徴パターンを示します。

ABSTRACT

Parkinson's Disease (PD) is one of the most prevalent neurodegenerative diseases that affects tens of millions of Americans. PD is highly progressive and heterogeneous. Quite a few studies have been conducted in recent years on predictive or disease progression modeling of PD using clinical and biomarkers data. Neuroimaging, as another important information source for neurodegenerative disease, has also arisen considerable interests from the PD community. In this paper, we propose a deep learning method based on Graph Convolutional Networks (GCN) for fusing multiple modalities of brain images in relationship prediction which is useful for distinguishing PD cases from controls. On Parkinson's Progression Markers Initiative (PPMI) cohort, our approach achieved $0.9537\\pm 0.0587$ AUC, compared with $0.6443\\pm 0.0223$ AUC achieved by traditional approaches such as PCA.

研究の動機と目的

• データがベクトルではなく多次元テンソルである場合のリスク予測の動機づけ（例：医用画像、EHRテンソル）。
• 多モード構造を保持し、解釈可能性のためのスパース性を促進する高次のスパースロジスティック回帰フレームワークを開発。
• テンソルデータでモデルを訓練する際の収束保証を持つ効率的な最適化アルゴリズムを提供。

提案手法

• 観測ごとにテンソル入力を定義し、モードkのウェイトベクトルを用いた多線形ロジスティックモデルを構築。
• すべてのモード特有のウェイトベクトルに対してL1とL2正則化（エラスティックネット）を組み合わせてスパース性と安定性を誘導。
• ブロック座標降下（BCD）アプローチを用いて各モードのウェイトベクトルとバイアスを反復的に最適化。
• ショリンケージ演算子を含むブロック近接勾配法を用いてサブ問題を解く（スパース性のため）。
• Kurdyka–Lojasiewiczフレームワークを用いた収束性の正当化を提供（論文で参照）。
• 2つの実世界の医療タスクでアプローチを実証する：fMRIテンソルからのADリスクとEHRマトリクスからのCHFリスク。

実験結果

リサーチクエスチョン

• RQ1 HOSLR はテンソル値の医療データからベクトルへの平坦化を行わずに臨床リスクを効果的に予測できるか？
• RQ2 多線形ウェイトに対するエラスティックネット正則化は予測精度と解釈性を改善するか？
• RQ3 HOSLR は実データ上でベクトルベースの手法（LR、SLR、SVM）および標準的な多線形/ロジスティック法とどう比較されるか？
• RQ4 AD および CHF データセットにおけるテンソルベースの係数からどのような解釈可能なリスク因子パターンが現れるか？

主な発見

• HOSLR は fMRI データに基づく 3 つの AD 関連の二値分類タスクで NN、SVM、LR、SLR、MLR を上回った（図2に示される AUC の改善）。
• EHR由来のマトリクスからの CHF 予測において、HOSLR はベースライン手法より高い平均 AUC を達成した（図3）。
• モデルはモード特異的な 2 つのウェイトベクトル（薬剤と診断）を出力し、重要な特徴対の解釈を可能にし、上位の診断と薬剤を表1で強調。
• 二重線形形式 f(X) = w_med^T X w_diag は薬剤と診断の間の解釈可能な特徴相互作用を支持。
• エラスティックネット正則化は数値的安定性を提供し、モード間の結合スパース性を促進する。