[論文レビュー] Spectral Graph Convolutions on Population Graphs for Disease Prediction

Sarah Parisot, Sofia Ira Ktena+5 more|arXiv (Cornell University)|Mar 8, 2017

Functional Brain Connectivity Studies被引用数 5

ひとこと要約

本論文は、被験者を画像ベースの特徴量を持つノードとして表現し、エッジが表現的類似度を符号化するスパースグラフとして表現する人口をモデル化することで、脳画像データと非画像データを統合する新しいグラフ畳み込みネットワーク（GCN）フレームワークを提案する。この手法は、ADNIではMCI変換予測で77%の精度を達成し、ABIDEでは69.5%の精度を示し、個々の特徴量と被験者間の関係性を両方活用することで、最先端の手法を上回る性能を発揮する。

ABSTRACT

Exploiting the wealth of imaging and non-imaging information for disease prediction tasks requires models capable of representing, at the same time, individual features as well as data associations between subjects from potentially large populations. Graphs provide a natural framework for such tasks, yet previous graph-based approaches focus on pairwise similarities without modelling the subjects' individual characteristics and features. On the other hand, relying solely on subject-specific imaging feature vectors fails to model the interaction and similarity between subjects, which can reduce performance. In this paper, we introduce the novel concept of Graph Convolutional Networks (GCN) for brain analysis in populations, combining imaging and non-imaging data. We represent populations as a sparse graph where its vertices are associated with image-based feature vectors and the edges encode phenotypic information. This structure was used to train a GCN model on partially labelled graphs, aiming to infer the classes of unlabelled nodes from the node features and pairwise associations between subjects. We demonstrate the potential of the method on the challenging ADNI and ABIDE databases, as a proof of concept of the benefit from integrating contextual information in classification tasks. This has a clear impact on the quality of the predictions, leading to 69.5% accuracy for ABIDE (outperforming the current state of the art of 66.8%) and 77% for ADNI for prediction of MCI conversion, significantly outperforming standard linear classifiers where only individual features are considered.

研究の動機と目的

• 既存のグラフベースのモデルがペアワイズ類似度に依存する一方で、個々の被験者特徴を無視するという制限に対処すること。
• 個々の画像特徴量と被験者間の関係性を統合することで、神経変性疾患および神経発達障害の疾患予測を改善すること。
• 部分的にラベルが付与された人口グラフを効果的に処理できるGCNフレームワークの開発。
• ADNIやABIDEなどの実世界の神経画像データベースにおいて、モデルの有効性を検証すること。

提案手法

• 個々の被験者に画像ベースの特徴ベクトルが対応するノードを持つスパースグラフとして人口を表現する。
• 被験者間の表現的類似度をエッジ重みとして符号化し、被験者間の関係性を捉える。
• ノード特徴量とグラフ構造の両方を用いて、ラベルの付いていないノードのクラスを予測するため、部分的にラベルが付与されたグラフ上でグラフ畳み込みネットワークを訓練する。
• 隣接ノードからの情報を集約しながら、被験者固有の特徴量を保持するように、スペクトル的グラフ畳み込み演算を適用する。
• ノード特徴量をグラフ全体にわたって伝搬・精錬するGCNアーキテクチャを採用し、個々のデータと関係性データの共同モデリングを可能にする。
• ノード分類タスクのため、交差エントロピー損失関数を用いてモデルをエンドツーエンドで最適化する。

実験結果

リサーチクエスチョン

• RQ1 個々の画像特徴量と被験者間の表現的類似度を統合することで、単一の特徴量に依存するモデルと比較して、疾患予測性能が向上するか？
• RQ2 人口グラフ上のGCNベースのアプローチは、神経変性疾患および神経発達障害の分類にどの程度効果的か？
• RQ3 エッジによって被験者関係性をモデル化することで、ラベルが部分的に付与された人口データセットにおける予測精度がどの程度向上するか？
• RQ4 ADNI や ABIDE のようなベンチマーク神経画像データベースにおいて、提案手法が最先端の手法を上回るか？

主な発見

• 提案されたGCNモデルは、ADNIデータセットにおいてMCI変換予測で77%の精度を達成し、単一の特徴量に依存する標準的な線形分類器を著しく上回った。
• ABIDEデータセットでは、自閉症スペクトラム障害分類で69.5%の精度を達成し、以前の最先端手法の66.8%を上回った。
• 被験者固有の画像特徴量と被験者間の表現的関係性の両方を統合することで、個々の特徴量に依存するモデルと比較して分類性能が向上した。
• 結果から、グラフ構造を用いて集団レベルの関係性をモデル化することで、神経画像分類タスクにおける予測力が向上することが示された。