[논문 리뷰] BrainNNExplainer: An Interpretable Graph Neural Network Framework for Brain Network based Disease Analysis

Hejie Cui, Wei Dai외 4명|arXiv (Cornell University)|2021. 07. 11.

Machine Learning in Healthcare참고 문헌 39인용 수 15

한 줄 요약

BrainNNExplainer는 뇌망 질환 예측을 위한 해석 가능한 그래프 신경망 프레임워크로, 질병 예측 백본 모델과 전역적으로 공유되는 설명 생성기를 동시에 학습시켜 신경질환과 관련된 뇌망 연결을 강조한다. 이 프레임워크는 HIV 및 양극성 장애 데이터셋에서 최신 기술 수준의 성능을 달성하면서도 신경과학적으로 검증된 해석 가능한 엣지 마스크를 생성하여 커뮤니티 구조와 모델 투명성을 향상시킨다.

ABSTRACT

Interpretable brain network models for disease prediction are of great value for the advancement of neuroscience. GNNs are promising to model complicated network data, but they are prone to overfitting and suffer from poor interpretability, which prevents their usage in decision-critical scenarios like healthcare. To bridge this gap, we propose BrainNNExplainer, an interpretable GNN framework for brain network analysis. It is mainly composed of two jointly learned modules: a backbone prediction model that is specifically designed for brain networks and an explanation generator that highlights disease-specific prominent brain network connections. Extensive experimental results with visualizations on two challenging disease prediction datasets demonstrate the unique interpretability and outstanding performance of BrainNNExplainer.

연구 동기 및 목표

• 기존 뇌망 기반 질병 예측을 위한 GNN에서의 해석 가능성 부족과 과적합 문제를 해결하기 위해.
• 모든 환자에게 공통으로 적용 가능한 질병 특이적 설명을 동시에 학습하는 통합 프레임워크를 개발하기 위해.
• 모델 설명이 알려진 신경계통과 신경과학적 발견과 일치하도록 임상적 관련성을 확보하기 위해.
• 백본 모델과 설명 모듈의 반복적 개선을 포함하는 3단계 학습 전략을 통해 예측 성능 및 해석 가능성 향상을 위해.

제안 방법

• 이 프레임워크는 두 가지 상호작용하는 모듈로 구성된다: 뇌망에 특화된 백본 GNN(BrainNN)과 전역적으로 공유되는 엣지 마스크를 학습하는 설명 생성기.
• BrainNN는 뇌망 내 실수치 연결 강도를 처리하기 위해 엣지 가중치 인식 메시지 전파를 사용하며, 원-핫 ROI 식별자, 차수 프로필(LDP), node2vec 임베딩 등의 노드 특징을 통합한다.
• 설명 생성기는 모든 환자에게 동일한 전역 공유 엣지 마스크를 생성하여 질병 관련 연결을 강조함으로써 일관성과 해석 가능성 향상을 도모한다.
• 3단계 학습 전략은 원본 그래프에서 백본을 학습하고, 생성된 설명 마스크를 활용해 이를 개선하는 방식으로 번갈아가며, 정확도와 해석 가능성을 동시에 향상시킨다.
• 노드 특징은 국소 차수 통계(LDP)와 기타 인위적 특징을 사용하여 ROI 특화 특징이 제한된 상황에서도 표현 학습 성능을 향상시킨다.
• 설명의 정당성은 ROI를 8개의 신경계통(예: DMN, BLN)에 매핑하는 신경과학 기반 기법을 통해 검증되며, 커뮤니티 구조 평가 지표(예: 모듈성, Fowlkes-Mallows)를 활용해 설명 품질을 평가한다.

실험 결과

연구 질문

• RQ1 공동 학습된 GNN과 설명 생성기 프레임워크가 뇌망 기반 질병 분석에서 예측 성능과 해석 가능성 향상에 기여하는가?
• RQ2 환자 간에 공유되는 전역 엣지 마스크가 개별 환자 기반 설명보다 생물학적으로 의미 있는 뇌망 패턴을 더 잘 반영하는가?
• RQ3 생성된 설명이 알려진 신경계통과 확립된 신경과학적 발견과 얼마나 일치하는가?
• RQ4 엣지 가중치 인식 메시지 전파 기법이 실수치 연결 강도를 갖는 뇌망에서 표현 학습을 어떻게 향상시키는가?
• RQ5 원본 그래프 대비 설명 마스크를 활용할 경우 뇌망 내 커뮤니티 구조 탐지 능력이 향상되는가?

주요 결과

• BrainNNExplainer는 HIV 데이터셋에서 77.14% 정확도와 75.00% AUC를 기록하여, GCN 및 DiffPool를 포함한 모든 최신 기술 수준의 기준 모델을 초월했다.
• BP 데이터셋에서는 75.56% 정확도와 69.88% AUC를 달성하여 백본 모델 BrainNN 대비 5%p의 절대적 성능 향상을 보였으며, 이는 이전 방법들에 비해 뚜렷한 성능 향상이다.
• 설명 마스크는 커뮤니티 탐지 지표를 향상시켰다: 완전성(+7.21%), Fowlkes-Mallows(+5.10%), 균일성(+5.82%), 상호정보량(+5.12%), v-측정(+6.44%).
• 시각화 결과, 기본 모드 네트워크(DMN)와 양측 편도망신경망(BLN) 내 질병 특이적 연결이 일관되게 강조되었으며, HIV 및 양극성 장애에서 알려진 신경생물학적 패턴과 일치함을 확인했다.
• BrainNN에 구현된 엣지 가중치 인식 메시지 전파 기법은 GAT 및 GCN와 같은 표준 GNN보다 뛰어난 성능을 보이며, 뇌망 데이터에 특화된 중요성을 입증했다.
• 3단계 학습 전략은 예측 모델과 설명 생성기를 효과적으로 개선하여 더 정확하고 해석 가능한 예측 결과를 도출했다.