[논문 리뷰] Edge-variational Graph Convolutional Networks for Uncertainty-aware Disease Prediction

Yongxiang Huang, Albert C. S. Chung|arXiv (Cornell University)|2020. 09. 06.

Machine Learning in Healthcare참고 문헌 26인용 수 5

한 줄 요약

이 논문은 다중모달 데이터에서 적응형 인구 그래프를 학습함으로써 불확실성 인식 질병 예측을 향상시키기 위해 엣지 변동형 그래프 컨볼루션 네트워크(EV-GCN)를 제안한다. 영상 및 비영상 특징을 미분 가능하고 변동형 엣지 가중치 기반으로 통합하고, 불확실성 추정을 위해 몬테카를로 엣지 드롭아웃을 적용함으로써, 네 가지 데이터셋에서 자폐증, 알츠하이머병, 안과 질환 예측 분야에서 최신 기술(SOTA)을 초월하는 성능을 달성하였으며, 이는 이전 방법 대비 최대 3.9%의 정확도 향상이다.

ABSTRACT

There is a rising need for computational models that can complementarily leverage data of different modalities while investigating associations between subjects for population-based disease analysis. Despite the success of convolutional neural networks in representation learning for imaging data, it is still a very challenging task. In this paper, we propose a generalizable framework that can automatically integrate imaging data with non-imaging data in populations for uncertainty-aware disease prediction. At its core is a learnable adaptive population graph with variational edges, which we mathematically prove that it is optimizable in conjunction with graph convolutional neural networks. To estimate the predictive uncertainty related to the graph topology, we propose the novel concept of Monte-Carlo edge dropout. Experimental results on four databases show that our method can consistently and significantly improve the diagnostic accuracy for Autism spectrum disorder, Alzheimer's disease, and ocular diseases, indicating its generalizability in leveraging multimodal data for computer-aided diagnosis.

연구 동기 및 목표

• 다양한 의료 데이터(영상 및 비영상)를 통합하여 인구 기반 질병 예측과 함께 불확실성 추정을 수행하는 도전 과제를 해결하기 위해.
• 의료 그래프 학습에서 수작업으로 만든 또는 임계값 기반의 유사도 그래프의 한계를 극복하기 위해, 이는 안정성 부족과 일반화 능력 부족을 야기한다.
• 그래프 컨볼루션 네트워크를 사용하여 그래프의 구조와 표현을 동시에 학습할 수 있는 미분 가능하고 최적화 가능한 그래프 구축 메커니즘을 개발하기 위해.
• 그래프 구조에 대한 예측 불확실성을 정량화하기 위한 새로운 불확실성 추정 방법—몬테카를로 엣지 드롭아웃—을 도입하기 위해.
• 신경퇴행성 및 안과 질환을 포함한 다양한 의료 분야에서 프레임워크의 일반화 능력과 강건성을 입증하기 위해.

제안 방법

• 프레임워크는 엣지 가중치가 비영상 특징(예: 연령, 성별)의 미분 가능한 함수로 학습되도록 인구 그래프를 구성하여 GCN와 함께 종단 간 최적화를 가능하게 한다.
• 스펙트럼 그래프 컨볼루션 네트워크를 사용하여 적응형 그래프를 통해 특징을 집계하고, 깊은 GCN 아키텍처에서의 과도한 스무딩을 완화하기 위해 정규화를 적용한다.
• 제안된 몬테카를로 엣지 드롭아웃(MCED) 기법은 추론 중에 엣지 부분집합을 샘플링하여 예측 불확실성을 추정하며, 예측에 대한 신뢰구간을 제공한다.
• 엣지 가중치 기반 메커니즘이 스펙트럼 GCN와 함께 최적화 가능하다는 수학적 증명이 이루어졌으며, 이는 그래프 구조와 노드 표현의 공동 학습을 가능하게 한다.
• 영상 특징은 사전 훈련된 CNNs(예: InceptionV4, EfficientNet-B0)를 통해 추출되고, 비영상 데이터(인구통계학적 정보)는 환자 간 연관성을 모델링하는 데 사용된다.
• 모델은 레이블이 부여된 노드에 대한 지도 학습과 그래프 기반 정규화의 조합을 통해 훈련되어, 부분적으로 레이블이 부여된 인구 집단에서의 준지도 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 학습 가능한 적응형 인구 그래프를 그래프 컨볼루션 네트워크와 함께 공동 최적화하여 다중모달 질병 예측 성능을 향상시킬 수 있는가?
• RQ2 몬테카를로 엣지 드롭아웃은 의료 진단을 위한 그래프 신경망에서 불확실성 추정을 어떻게 향상시키는가?
• RQ3 미분 가능하고 데이터 기반의 그래프 구축 메커니즘이 임계값 기반 또는 수작업으로 만든 유사도 그래프보다 임상 예측 과제에서 더 우수한 성능을 내는가?
• RQ4 EV-GCN는 신경퇴행성 및 안과 질환과 같은 다양한 의료 분야로 얼마나 잘 일반화되는가?
• RQ5 추정된 예측 불확실성은 임상적 후속 조치를 위해 고위험 또는 모호한 사례를 식별하는 데 도움이 될 수 있는가?

주요 결과

• EV-GCN는 ADNI에서 알츠하이머병 전환 예측에 대해 79.4%의 정확도를 달성하였으며, 이는 이전 최신 기술인 Parisot 대비 3.9% 향상된 성능이다.
• TADPOLE 데이터셋에서 EV-GCN는 87.8%의 정확도를 기록하였고, 이는 이전의 SoTA 방법인 AIG보다 3.5% 포인트 높은 성능이다.
• ODIR 데이터셋에서 EV-GCN는 사전 훈련된 CNNs(InceptionV4 및 EfficientNet-B0) 대비 평균 AUC를 2.97% 향상시켰으며, 당뇨병 망막병변 검출에서는 4% 향상되었다.
• 사이트, 성별, 연령 등의 엣지 입력을 포함한 모델은 81.06%의 정확도와 가장 낮은 불확실성(0.307)을 기록하여 더 풍부한 연관 특징의 이점을 입증하였다.
• 고정 그래프 기반 방법인 AIG[9]는 EfficientNet를 사용할 경우 성능이 떨어졌으며, 이는 EV-GCN에서 학습 가능한 그래프 구축 방식의 강건성을 확인한다.
• MCED를 통한 추정된 불확실성은 불확실한 샘플을 효과적으로 식별하였으며, 임상 의사결정 지원 시스템에서의 안전한 구현을 뒷받침한다.