[논문 리뷰] Graph Neural Network for Interpreting Task-fMRI Biomarkers

Xiaoxiao Li, Nicha C. Dvornek외 4명|arXiv (Cornell University)|2019. 07. 02.

Functional Brain Connectivity Studies참고 문헌 15인용 수 14

한 줄 요약

이 논문은 자폐성 장애(ASD)의 작업 fMRI 생물학적 지표를 해석하기 위해 두 단계의 그래프 신경망(GNN) 프레임워크를 제안한다. 유도적 GNN 학습과 특성 치환 없이 기반으로 하는 기울기 기반 특성 중요도를 활용한다. 이 방법은 테스트 정확도 83.6%를 달성하며 사회적 행동과 관련된 생물학적으로 의미 있는 뇌 영역과 부분 그래프를 특정한다. 다양한 아틀라스와 하이퍼파라미터에서 랜덤 포레스트보다 더 뛰어난 해석 가능성과 강건성을 보였다.

ABSTRACT

Finding the biomarkers associated with ASD is helpful for understanding the underlying roots of the disorder and can lead to earlier diagnosis and more targeted treatment. A promising approach to identify biomarkers is using Graph Neural Networks (GNNs), which can be used to analyze graph structured data, i.e. brain networks constructed by fMRI. One way to interpret important features is through looking at how the classification probability changes if the features are occluded or replaced. The major limitation of this approach is that replacing values may change the distribution of the data and lead to serious errors. Therefore, we develop a 2-stage pipeline to eliminate the need to replace features for reliable biomarker interpretation. Specifically, we propose an inductive GNN to embed the graphs containing different properties of task-fMRI for identifying ASD and then discover the brain regions/sub-graphs used as evidence for the GNN classifier. We first show GNN can achieve high accuracy in identifying ASD. Next, we calculate the feature importance scores using GNN and compare the interpretation ability with Random Forest. Finally, we run with different atlases and parameters, proving the robustness of the proposed method. The detected biomarkers reveal their association with social behaviors. We also show the potential of discovering new informative biomarkers. Our pipeline can be generalized to other graph feature importance interpretation problems.

연구 동기 및 목표

• 작업fMRI 데이터에서 자폐성 장애(ASD)를 위한 뇌 네트워크 생물학적 지표를 식별하기 위한 강건하고 해석 가능한 방법을 개발하는 것.
• 기존 GNN 해석 방법의 한계를 극복하기 위한 것—특성 치환을 요구하여 데이터 분포를 왜곡하고 중요도 점수에 편향을 유도함.
• 기능적 연결성, 기하학적, 해부학적, 작업 관련 매개변수를 포함한 다중모달 fMRI 특징을 통합된 그래프 표현으로 통합하여 생물학적 지표 발견을 향상시키는 것.
• 차폐 또는 재표본화 없이 부분 그래프와 노드에서 모델 반응을 평가하여 GNN 예측의 신뢰할 수 있는 해석을 가능하게 하는 것.
• 다양한 뇌 분할 아틀라스(Destrieux, Desikan-Killiany)와 하이퍼파라미터(예: 부분 그래프 크기 R)에서 방법의 강건성을 검증하는 것.

제안 방법

• 논문은 작업fMRI 데이터에서 다중그래프를 구성하며, 노드는 뇌 영역(ROIs)을 나타내고, 간선은 기능적, 부분적, 기하학적 연결을 표현한다.
• 노드 특징은 수작업된 지표로, 연결도, GLM 계수, 작업fMRI의 평균/표준편차, 3차원 좌표를 포함하며, 분포를 정규화하기 위해 Box-Cox 변환을 적용한다.
• 메시지 전달과 그래프 이sovomorphism 기반의 유도적 GNN 분류기는 학습 가능한 MLP를 통한 간선 특징을 사용해 이웃 특징을 집계함으로써 노드 표현을 학습한다.
• 노드 차수 정규화와 ReLU 활성화를 사용한 잔차 집계 메커니즘을 통해 구조적 불변성을 유지하고 과도한 스무딩을 방지한다.
• 특성 중요도는 기울기 기반 설명을 통해 계산되며, 기대 기울기 크기 $ \mathbb{E}\left(\frac{1}{N}\sum_i \left|\frac{\partial y}{\partial v_{ij}}\right|\right) $ 로 표현되며, 여기서 $ y $ 는 ASD 예측 확률이다.
• 부분 그래프 중요도는 상위 스코어를 가진 ROIs 커뮤니티를 선별하고, Neurosynth를 사용해 기능적 관련성을 디코딩함으로써 특정한다.

실험 결과

연구 질문

• RQ1 GNN 기반 프레임워크는 작업fMRI 데이터에서 ASD를 높은 정확도로 분류하면서도 뇌 네트워크 생물학적 지표의 신뢰할 수 있는 해석을 가능하게 할 수 있는가?
• RQ2 제안된 GNN 해석 방법은 랜덤 포레스트와 같은 전통적 방법과 비교해 생물학적으로 의미 있는 뇌 영역과 특징을 어떻게 더 잘 식별하는가?
• RQ3 이 방법은 부분 그래프 크기(R)와 같은 하이퍼파라미터와 함께 다양한 뇌 분할 아틀라스(예: Destrieux vs. Desikan-Killiany)에서 강건성을 유지하는가?
• RQ4 식별된 부분 그래프는 기존 자폐성 장애 관련 문헌과 일치하는 사회 인지와의 연관성을 기능적으로 디코딩할 수 있는가?
• RQ5 모델은 알려진 ASD 관련 영역을 초월해 새로운 정보를 제공하는 생물학적 지표를 식별할 수 있는가?

주요 결과

• 제안된 GNN는 ASD 대조군 분류에서 테스트 정확도 83.6%를 달성하였으며, 랜덤 포레스트 기준선(77.4% 정확도)을 초월하였다.
• GNN는 랜덤 포레스트와 동일한 9개의 겹치는 뇌 영역을 상위 생물학적 지표로 식별하였지만, 노드 특징 간에 더 균일하고 생물학적으로 타당한 중요도 점수를 부여하였으며, 생물학적 운동 매개변수 $ \beta_1 $ 가 가장 영향력 있는 요소로 나타났다.
• GNN가 식별한 상위 30개의 ROI에는 모든 아틀라스 및 파라미터 설정에서 사회적 동기와 ASD와 관련된 것으로 이전에 알려진 전두엽 측면과 중간전두엽 전두피질 영역이 포함되어 있었다.
• 상위 두 부분 그래프(각각 19개의 ROI 포함)는 고차원 사회적 행동과 관련이 있다고 기능적으로 디코딩되었으며, 이들의 사용으로 78.9%의 테스트 정확도를 달성하여 전체 그래프와 유사한 성능을 보였다.
• 이 방법은 다양한 아틀라스(A1, A2)와 부분 그래프 크기(R = 10, 20, 30)에서 강건성을 보였으며, 모든 설정에서 핵심 영역이 일관되게 선택되었다.
• Neurosynth 디코딩 결과, 상위 부분 그래프는 사회 인지와 관련된 키워드로 풍부하게 구성되어 있어 기능적 관련성의 타당성을 검증하였다.