[논문 리뷰] Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis

Hejie Cui, Wei Dai외 4명|arXiv (Cornell University)|2022. 06. 30.

Functional Brain Connectivity Studies인용 수 4

한 줄 요약

이 논문은 뇌 연결망 기반 뇌질환 분석을 위한 해석 가능한 그래프 신경망 프레임워크인 IBGNN을 제안한다. 이 프레임워크는 뇌질환을 동시에 예측하고 질환 특이적 생물학적 마커를 식별한다. 뇌망 구조 인식 GNN 기반 모델과 전역적으로 공유되는 설명 생성기의 조합으로, 예측 성능을 향상시키고 HIV, 양극성 장애, 파킨슨병 데이터셋에서 생물학적으로 의미 있는 관심 영역(ROIs)과 연결을 드러낸다.

ABSTRACT

Human brains lie at the core of complex neurobiological systems, where the neurons, circuits, and subsystems interact in enigmatic ways. Understanding the structural and functional mechanisms of the brain has long been an intriguing pursuit for neuroscience research and clinical disorder therapy. Mapping the connections of the human brain as a network is one of the most pervasive paradigms in neuroscience. Graph Neural Networks (GNNs) have recently emerged as a potential method for modeling complex network data. Deep models, on the other hand, have low interpretability, which prevents their usage in decision-critical contexts like healthcare. To bridge this gap, we propose an interpretable framework to analyze disorder-specific Regions of Interest (ROIs) and prominent connections. The proposed framework consists of two modules: a brain-network-oriented backbone model for disease prediction and a globally shared explanation generator that highlights disorder-specific biomarkers including salient ROIs and important connections. We conduct experiments on three real-world datasets of brain disorders. The results verify that our framework can obtain outstanding performance and also identify meaningful biomarkers. All code for this work is available at https://github.com/HennyJie/IBGNN.git.

연구 동기 및 목표

• 뇌질환 진단을 위한 딥러닝 모델의 해석 가능성 부족 문제를 해결하기 위해.
• 개별 환자에 대한 설명이 아닌, 환자 간 공통적인 질환 특이적 뇌망 패턴을 식별하기 위해.
• 통합된 전역 공유 설명 마스크를 사용하여 질병 예측 성능을 향상시키기 위해.
• 식별된 생물학적 마커의 생물학적 타당성을 기존 신경과학 문헌과 비교 검증하기 위해.
• 환자별 연결망과 집단 수준의 해석을 통합하여 다수준 분석을 가능하게 하는 프레임워크 개발하기 위해.

제안 방법

• 기반 모델인 IBGNN는 뇌 영역 간 노드 특징과 가중치가 부여된 간선 연결을 모두 통합하는 엣지 가중치 인식 메시지 전파 메커니즘을 사용한다.
• 메시지 집계 규칙을 통해 이웃 노드(자기 자신 포함)로부터 온 메시지를 합산하고, 비선형 활성화 함수를 적용하여 노드 표현을 갱신한다.
• 모든 환자에 대해 전역적으로 공유되는 설명 마스크를 학습하여 질환 특이적 관심 영역(ROIs)과 중요한 연결을 강조한다.
• 이 설명 마스크를 적용하여 원본 뇌망을 변형하고, 이를 기반 모델과 함께 미세조정하여 IBGNN+를 구성한다.
• 설명 생성기는 환자 간 공통된 중요한 ROIs와 연결을 식별하는 단일 공유 해석 행렬을 생성한다.
• 프레임워크는 엔드 투 엔드로 훈련되어 예측과 동시에 해석이 가능하며, 세 가지 실세계 뇌영상 데이터셋에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 GNN 기반 모델은 뇌 연결망 기반 뇌질환 예측에서 높은 성능를 달성하면서도 해석 가능성을 유지할 수 있는가?
• RQ2 전역적으로 공유되는 설명은 기존 신경과학 연구 결과와 일치하는 생물학적으로 타당한 생물학적 마커를 식별하는가?
• RQ3 설명 마스크의 통합이 GNN 기반 모델의 예측 성능 향상에 기여하는가?
• RQ4 식별된 주요 ROIs와 연결은 HIV, 양극성 장애, 파킨슨병과 같은 다양한 뇌질환 간에서 일관되게 나타나는가?
• RQ5 모델은 영상 품질의 개인적 변동성에 영향을 받지 않는 집단 수준의 네트워크 패턴을 드러낼 수 있는가?

주요 결과

• IBGNN 기반 모델은 세 가지 실세계 데이터셋(HIV, BP, PPMI)에서 뛰어난 성능를 보이며, 다양한 뇌영상 모odalities 간의 일반화 능력을 입증했다.
• 전역적으로 공유되는 설명 마스크는 질환 특이적 생물학적 마커를 성공적으로 식별하였으며, HIV 환자에서는 열린 앞쪽 회절, 파킨슨병 환자에서는 앞쪽 중간 전두엽 회절이 주요 마커로 확인되었다.
• 설명 서브그래프는 HIV 환자에서 기본 모드 네트워크(DMN)와 시각 네트워크(VN)의 심각한 기능 장애를 드러내었으며, 이는 알려진 시각 처리 장애와 일치한다.
• 양극성 장애의 경우, 후두부 주의 네트워크(BLN) 내에서의 연결 감소가 강조되었으며, 이는 척추 뇌의 기능 이상과 임상적 발견과 일치한다.
• 파킨슨병 환자에서는 감각운동 네트워크(SMN)와 DMN 내에서의 연결 감소가 관찰되었으며, 이는 운동 및 인지 기능 저하에 대한 이전 뇌영상 연구 결과를 확인한다.
• 설명 강화 그래프를 사용해 기반 모델을 미세조정한 IBGNN+ 모델은 기본 모델 대비 추가적인 성능 향상을 보였으며, 설명 모듈의 유용성을 검증하였다.