[논문 리뷰] BrainIB: Interpretable Brain Network-based Psychiatric Diagnosis with Graph Information Bottleneck

Kaizhong Zheng, Shujian Yu외 3명|arXiv (Cornell University)|2022. 05. 07.

Functional Brain Connectivity Studies인용 수 5

한 줄 요약

BrainIB는 fMRI 데이터로부터 해석 가능한 질병 특이적 뇌망 구조를 식별하기 위해 정보량 원리 정보 블로킹 원리를 활용하는 새로운 그래프 신경망 프레임워크이다. 다중 사이트 정신의학 데이터셋에서 최신 기술 수준의 진단 정확도를 달성하면서도 안정적인 상호정보량 추정과 간선 중심의 서브그래프 탐색을 통해 일반화 능력을 향상시키고 임상적으로 일관된 생물학적 지표를 드러낸다.

ABSTRACT

Developing a new diagnostic models based on the underlying biological mechanisms rather than subjective symptoms for psychiatric disorders is an emerging consensus. Recently, machine learning-based classifiers using functional connectivity (FC) for psychiatric disorders and healthy controls are developed to identify brain markers. However, existing machine learning-based diagnostic models are prone to over-fitting (due to insufficient training samples) and perform poorly in new test environment. Furthermore, it is difficult to obtain explainable and reliable brain biomarkers elucidating the underlying diagnostic decisions. These issues hinder their possible clinical applications. In this work, we propose BrainIB, a new graph neural network (GNN) framework to analyze functional magnetic resonance images (fMRI), by leveraging the famed Information Bottleneck (IB) principle. BrainIB is able to identify the most informative edges in the brain (i.e., subgraph) and generalizes well to unseen data. We evaluate the performance of BrainIB against 3 baselines and 7 state-of-the-art brain network classification methods on three psychiatric datasets and observe that our BrainIB always achieves the highest diagnosis accuracy. It also discovers the subgraph biomarkers which are consistent to clinical and neuroimaging findings. The source code and implementation details of BrainIB are freely available at GitHub repository (https://github.com/SJYuCNEL/brain-and-Information-Bottleneck/).

연구 동기 및 목표

• fMRI 기반 정신의학 진단을 위한 기존 기계학습 모델의 해석 불가능성과 낮은 일반화 능력 문제를 해결한다.
• 노드 수준의 특징에 의존하지 않고 임상적으로 의미 있는 질병 특이적 뇌망 연결(서브그래프)을 식별하는 그래프 신경망 프레임워크를 개발한다.
• 다중 사이트 fMRI 데이터셋에서의 분포 이탈에 대한 모델의 강건성을 향상시켜 분포 이탈에 대한 일반화 능력을 강화한다.
• MINE 대신 Rényi의 α-순서 엔트로피 기반 기능을 사용하여 그래프 기반 정보 블로킹에서 상호정보량 추정을 안정화시켜 학습 신뢰도를 향상시킨다.
• 발견된 서브그래프 생물학적 지표의 임상적 관련성을 기존 신경영상 및 정신의학 연구 결과와 대조하여 검증한다.

제안 방법

• 진단 작업을 표현 압축 문제로 간주하고, 뇌 기능적 연결망(FN)에 정보 블로킹(IB) 원리를 적용한다.
• 상호정보량 신경추정기(MINE)를 대체하여 학습 안정성 향상과 수렴 개선을 위한 행렬 기반 Rényi의 α-순서 엔트로피 기능을 도입한다.
• 노드가 아닌 유의미한 간선(기능적 연결) 선택에 중점을 두어, 연결 패턴의 임상적 중요성과 일치하는 서브그래프 생성기를 설계한다.
• 진단 레이블과의 상호정보량을 최대화하면서도 부재를 최소화하는 간결하고 정보가 풍부한 서브그래프 표현을 학습하기 위해 엔드 투 엔드로 모델을 훈련시킨다.
• 대규모 다중 사이트 fMRI 데이터셋(ABIDE 및 REST-meta-MDD)에서 이론적 이탈 및 10겹 교차검증을 수행하여 일반화 능력을 평가한다.
• 모델의 강건성과 해석 가능성을 검증하기 위해 제거 실험과 편향 실험을 수행하였으며, 특히 불필요한 소뇌 연결을 추가하여 서브그래프의 안정성 테스트를 실시하였다.

실험 결과

연구 질문

• RQ1 기존 최신 기술 수준의 방법들보다 정보 블로킹 기반 GNN 프레임워크가 정신질환에 대해 더 강건하고 일반화 가능한 뇌망 생물학적 지표를 식별할 수 있는가?
• RQ2 MINE를 대체하여 Rényi의 α-순서 엔트로피를 사용함으로써 그래프 기반 정보 블로킹에서 학습 안정성과 성능이 향상되는가?
• RQ3 모델이 MDD 및 ASD에서 알려진 신경영상 연구 결과와 일치하는 임상적으로 해석 가능한 간선 기반 서브그래프(기능적 연결)를 식별할 수 있는가?
• RQ4 특히 이전에 볼 수 없었던 사이트의 데이터로 테스트했을 때 BrainIB는 분포 이탈 상황에서 어떻게 성능을 발휘하는가?
• RQ5 BrainIB가 발견한 서브그래프는 소뇌의 불필요한 연결과 같은 입력 편향에 대해 강건한가?

주요 결과

• BrainIB는 ABIDE 및 REST-meta-MDD 데이터셋에서 모두 최고의 진단 정확도를 기록하였으며, 10겹 교차검증 및 이론적 이탈 검증 모두에서 SIB를 포함한 8종의 최신 기술 수준 방법들을 능가하였다.
• ABIDE 데이터셋에서, BrainIB는 원본 데이터에서 71.8%의 정확도를 기록하였고, 소뇌 연결을 추가한 훼손된 데이터에서는 65.4%의 정확도를 기록하여 소음에 민감함과 동시에 안정적인 서브그래프 식별 능력을 보였다.
• 모델은 질병 특이적 서브그래프를 식별하였다: MDD 환자에서는 기본 모드망(DMN)의 연결 증가와 체감운동망(SMN)의 연결 감소가 관찰되었으며, 이는 이전 임상 연구 결과와 일치하였다.
• ASD의 경우, BrainIB는 후경각망(DAN)에서 강한 연결과 피질하 연결 감소를 강조하였으며, 이는 알려진 신경생물학적 패턴과 일치하였다.
• 위상적 분석 결과, MDD 환자와 건강한 대조군 간에 DMN와 SMN의 중심성 및 효율성 지표에 유의미한 차이가 있었으며, 이는 발견된 서브그래프의 생물학적 타당성을 뒷받침하였다.
• 편향 실험 결과, BrainIB는 불필요한 간선이 추가된 상황에서도 안정적이고 의미 있는 서브그래프 구조를 유지함으로써 발견된 생물학적 지표의 강건성과 신뢰도를 확인하였다.