[논문 리뷰] Interpretable AI for relating brain structural and functional connectomes

Haoming Yang, Steven L. Winter외 2명|arXiv (Cornell University)|2022. 10. 10.

Functional Brain Connectivity Studies인용 수 4

한 줄 요약

이 논문은 구조적 연결망(SC)과 기능적 연결망(FC)을 함께 모델링하기 위해 변동형 오토인코더 프레임워크와 그래프 k-최근접 이웃 레이어를 활용한 그래프 오토인코더인 Staf-GATE를 제안한다. 이는 SC에서 FC를 예측하는 데 최신 기술 수준의 성능을 달성하며, SC-FC 결합에 대한 해석 가능한 통찰을 도출하기 위해 마스킹 기반의 교란 방법을 도입하여 성별에 따라 다름을 보이는 기능적 연결성에 핵심적인 하위망을 규명한다.

ABSTRACT

One of the central problems in neuroscience is understanding how brain structure relates to function. Naively one can relate the direct connections of white matter fiber tracts between brain regions of interest (ROIs) to the increased co-activation in the same pair of ROIs, but the link between structural and functional connectomes (SCs and FCs) has proven to be much more complex. To learn a realistic generative model characterizing population variation in SCs, FCs, and the SC-FC coupling, we develop a graph auto-encoder that we refer to as Staf-GATE. We trained Staf-GATE with data from the Human Connectome Project (HCP) and show state-of-the-art performance in predicting FC and joint generation of SC and FC. In addition, as a crucial component of the proposed approach, we provide a masking-based algorithm to extract interpretable inferences about SC-FC coupling. Our interpretation methods identified important SC subnetworks for FC coupling and relating SC and FC with sex.

연구 동기 및 목표

• 모집단 전반에 걸쳐 구조적 연결망과 기능적 연결망의 공동 분포를 포괄하는 생성 모델을 개발하는 것.
• k-최근접 이웃 레이어 아키텍처를 통해 그래프 위상 구조 특징을 통합하여 SC에서 FC 예측 성능를 향상시키는 것.
• 교란 기반 마스킹 알고리즘을 사용하여 SC-FC 결합에 대한 해석 가능한 추론을 제공하는 것.
• 성별 차이를 고려하여 기능적 연결성 예측에 가장 기여하는 하위망을 규명함으로써 SC-FC 결합의 성별 특이성을 탐구하는 것.
• 후속 신경과학 응용을 위한 쌍방향 SC-FC 데이터의 확률적 추론 및 시뮬레이션을 가능하게 하는 것.

제안 방법

• Staf-GATE는 개별 SC를 잠재 변수로 매핑하는 인코더를 활용한 변동형 오토인코더를 사용하며, 이는 모집단 수준의 변동성을 포착한다.
• 디코더는 잠재 변수에서 SC를 재구성하기 위해 그래프 k-최근접 이웃 레이어를 사용하며, 포isson 잠재 공간을 통해 조건부 확률 P(SC|z)를 모델링한다.
• 예측 생성기(Generator)는 동일한 잠재 표현에서 FC를 추론하여 SC와 FC의 동시 생성을 가능하게 한다.
• 비중심 기반 교란 알고리즘이 사용되어, FC 예측 성능에 미치는 영향을 측정함으로써 중요도가 높은 SC 간선을 식별한다.
• 유의미한 통계적 검정을 위해, 식별된 하위망에 대한 근본 분포(null distribution)를 부트스트래핑 기법으로 생성한다.
• 모델은 대규모 모집단 연결망 데이터를 기반으로 한 Human Connectome Project(HCP) 데이터를 사용하여 훈련된다.

실험 결과

연구 질문

• RQ1 구조적 연결망의 어떤 하위망이 기능적 연결성 예측에 가장 유의미한가? 그리고 개인 간에 어떻게 다를까?
• RQ2 그래프 위상 구조 특징을 통합함으로써, 구조적 연결망에서 기능적 연결망 예측 정확도는 어떻게 향상되는가?
• RQ3 SC-FC 결합에서 성별 간의 차이는 무엇이며, 남성과 여성에서 기능적 연결성 예측에 가장 기여하는 구조적 연결은 무엇인가?
• RQ4 Staf-GATE와 같은 딥 생성 모델이 네트워크 위상과 모집단 수준의 변동성을 유지하면서 실제로 쌍방향 SC-FC 데이터를 시뮬레이션할 수 있는가?
• RQ5 연결망 분야에서 복잡하고 비선형적인 딥 러닝 모델로부터 체계적으로 해석 가능한 추론을 어떻게 도출할 수 있는가?

주요 결과

• Staf-GATE는 구조적 연결망에서 기능적 연결망을 예측하는 데 최신 기술 수준의 성능를 달성하였으며, 집단 평균 상관관계는 0.9, 개인 평균 상관관계는 0.55를 기록하였다.
• 마스킹 기반의 해석 방법은 기능적 연결성 예측에 매우 영향력이 있는 특정 구조적 연결망 하위망을 규명하였으며, 비선형적인 SC-FC 관계를 드러냈다.
• 이 방법은 SC-FC 결합에서 유의미한 성별 차이를 탐지하였으며, 남성과 여성에서 기능적 연결성 예측에 가장 기여하는 구조적 연결이 서로 다름을 규명하였다.
• 모델는 훈련 데이터의 위상적 구조를 유지하는 고해상도의 SC 및 FC 쌍을 성공적으로 생성하였으며, 연결망 데이터의 현실적인 시뮬레이션을 가능하게 하였다.
• 교란 기반의 해석 알고리즘은 일반화 가능하며, 다른 딥 러닝 모델에 적용하여 SC-FC 결합 결과를 분석하는 데 활용될 수 있다.
• 강력한 성능에도 불구하고, 모델는 SC에서 개인 수준의 FC를 정확히 예측하는 데 제한된 능력을 보였으며, 이는 SC만으로는 정밀한 개인 수준의 예측에 충분한 정보를 포함하지 못할 수 있음을 시사한다.