[논문 리뷰] ADiag: Graph Neural Network Based Diagnosis of Alzheimer's Disease

V. Sampathkumar|arXiv (Cornell University)|2021. 01. 08.

Dementia and Cognitive Impairment Research참고 문헌 9인용 수 8

한 줄 요약

ADiag는 T1-강조 MRI 스캔을 사용하여 뇌피질 두께의 차이를 가중치가 부여된 그래프 간선으로 모델링하는 그래프 신경망(GNN) 기반의 알츠하이머병 진단 방법을 제안한다. 이는 GraphSAGE와 밀도적 미분 가능 풀링을 활용하여 뇌 그래프를 굴곡시키고, 83.44%의 정확도로 AD를 분류한다. 이는 정성적 및 전통적인 정량적 방법보다 뚜렷하게 뛰어나다.

ABSTRACT

Alzheimer's Disease (AD) is the most widespread neurodegenerative disease, affecting over 50 million people across the world. While its progression cannot be stopped, early and accurate diagnostic testing can drastically improve quality of life in patients. Currently, only qualitative means of testing are employed in the form of scoring performance on a battery of cognitive tests. The inherent disadvantage of this method is that the burden of an accurate diagnosis falls on the clinician's competence. Quantitative methods like MRI scan assessment are inaccurate at best,due to the elusive nature of visually observable changes in the brain. In lieu of these disadvantages to extant methods of AD diagnosis, we have developed ADiag, a novel quantitative method to diagnose AD through GraphSAGE Network and Dense Differentiable Pooling (DDP) analysis of large graphs based on thickness difference between different structural regions of the cortex. Preliminary tests of ADiag have revealed a robust accuracy of 83%, vastly outperforming other qualitative and quantitative diagnostic techniques.

연구 동기 및 목표

• 주관적인 임상의 판단에 의존도를 줄이기 위한 정량적이고 비침습적인 알츠하이머병(AD) 진단 방법을 개발하는 것.
• 질적 인지 테스트(MMSE, CDR 등)와 침습적인 생검의 한계를 극복하기 위해 MRI 스캔에서 유도한 구조적 뇌 자료를 활용하는 것.
• 뇌를 그래프로 모델링하여 피질 두께의 차이가 해부학적 영역 간 간선의 가중치로 정의되도록 함으로써 진단 정확도를 향상시키는 것.
• 변동하는 그래프 크기를 처리하고 새로운 미사용 데이터에 적용 가능한, 확장 가능하고 강건하며 일반화 가능한 프레임워크를 구축하는 것.
• 기존의 정량적 방법보다 뛰어난 정확도를 달성하기 위해 GraphSAGE와 밀도적 미분 가능 풀링(DDP)을 조합한 새로운 아키텍처를 사용하는 것.

제안 방법

• OASIS-3 데이터베이스에서 T1-강조 MRI 스캔을 확보하고, FreeSurfer를 사용하여 1162개의 뇌 영역에서 피질 두께 값을 추출하였다.
• 각 노드가 3차원 좌표(x, y, z)를 가지며, 연결된 영역 간 두께 차이에서 유도된 가중치를 갖는 뇌 네트워크 그래프를 구성하였다.
• 메시지 전달을 통해 풍부하고 맥락화된 노드 표현을 생성하기 위해 이웃집합 집합을 사용한 GraphSAGE를 적용하였다: $ h_{N(v)}^{k} \text{←} Aggregate_{k}(h_{u}^{k-1}, \forall u \in N(v)) $, 이어서 시그모이드 활성화 함수를 갖는 완전 연결층을 적용하였다.
• 학습 가능한 소프트 할당을 통해 그래프를 1162개에서 18개 노드로 굴곡시키기 위해 밀도적 미분 가능 풀링(DDP)을 사용하였다: $ X' = softmax(S)^T \cdot X $, 이를 통해 구조적 정보를 유지하였다.
• 다중 개의 GraphSAGE 및 DDP 레이어를 순차적으로 통합하여 그래프 크기를 점진적으로 감소시키면서도 분류에 유용한 특징을 유지하였다.
• 최종 18노드 그래프를 이진 진단(AD 양성/음성)을 위해 두 개의 완전 연결층으로 분류하였으며, 배치 정규화 및 학습률 최적화를 적용하였다.

실험 결과

연구 질문

• RQ1 그래프 신경망이 피질 두께의 차이를 효과적으로 모델링하여 정성적 방법을 초월한 알츠하이머병 진단 정확도를 향상시킬 수 있는가?
• RQ2 GraphSAGE와 밀도적 미분 가능 풀링의 통합이 뇌 그래프에서 특징 표현 및 분류 성능에 어떻게 기여하는가?
• RQ3 GNN 기반 접근법이 새로운 뇌 그래프에 대해 얼마나 잘 일반화될 수 있으며, 제한된 학습 데이터로도 높은 진단 정확도를 유지할 수 있는가?
• RQ4 뇌 그래프 모델에서 두께 차이 기반 간선 가중치 사용이 기존의 MRI 정량화 방식보다 신경퇴행성 패턴을 더 효과적으로 포착할 수 있는가?
• RQ5 제안된 ADiag 프레임워크는 기존의 정량적 및 정성적 진단 기법과 비교하여 성능 면에서 어떻게 뛰어나게 되는가?

주요 결과

• 배치 정규화와 학습률 스케줄링 최적화를 통해 ADiag는 최대 검증 정확도 83.44%를 달성하였으며, MMSE 및 CDR와 같은 정성적 방법보다 뚜렷하게 뛰어났다.
• 최적화 후 훈련 손실가 0.695로 감소하여 121개 샘플 데이터셋에서 수렴성과 일반화 능력 향상을 보였다.
• 높은 계산 비용으로 인해 총 121개의 그래프만 처리되었지만, 그래프 수가 300개로 확장될 경우 정확도가 최소 95%까지 향상될 것으로 예상된다.
• GraphSAGE의 사용으로 인해 인덕티브 학습이 가능해져, 새로운 노드와 그래프로의 일반화가 가능해져 확장성과 강건성이 향상되었다.
• DDP 레이어는 학습 가능한 소프트 풀링을 통해 1162개에서 18개 노드로 그래프를 굴곡시키며, 분류에 유용한 핵심 구조적 패턴을 유지하였다.
• 저자들은 주변 영역의 중요도를 강조하기 위해 주의 메커니즘을 통합한 재설계된 아키텍처를 통해 정확도 향상을 추가로 기대하고 있다.