[논문 리뷰] Learning the Hierarchical Organization in Brain Network for Brain Disorder Diagnosis

Jingfeng Tang, Peng Cao외 4명|arXiv (Cornell University)|2026. 03. 10.

Functional Brain Connectivity Studies인용 수 0

한 줄 요약

BrainHO는 고정 아틀라스 없이 fMRI 연결성에서 계층적이고 학습 가능한 서브그래프 표현을 학습하며, ABIDE와 REST-meta-MDD에서 최첨단 정확도를 달성하고 해석 가능한 질병 관련 서브네트워크를 밝혀낸다.

ABSTRACT

Brain network analysis based on functional Magnetic Resonance Imaging (fMRI) is pivotal for diagnosing brain disorders. Existing approaches typically rely on predefined functional sub-networks to construct sub-network associations. However, we identified many cross-network interaction patterns with high Pearson correlations that this strict, prior-based organization fails to capture. To overcome this limitation, we propose the Brain Hierarchical Organization Learning (BrainHO) to learn inherently hierarchical brain network dependencies based on their intrinsic features rather than predefined sub-network labels. Specifically, we design a hierarchical attention mechanism that allows the model to aggregate nodes into a hierarchical organization, effectively capturing intricate connectivity patterns at the subgraph level. To ensure diverse, complementary, and stable organizations, we incorporate an orthogonality constraint loss, alongside a hierarchical consistency constraint strategy, to refine node-level features using high-level graph semantics. Extensive experiments on the publicly available ABIDE and REST-meta-MDD datasets demonstrate that BrainHO not only achieves state-of-the-art classification performance but also uncovers interpretable, clinically significant biomarkers by precisely localizing disease-related sub-networks.

연구 동기 및 목표

• 뇌 질환 진단에서 고정 아틀라스 기반의 서브네트워크 분석의 한계를 제시한다.
• PCC 기반 그래프로부터 고유한 계층적 뇌 구성을 학습하기 위한 BrainHO를 도입한다.
• 다양하고 안정적인 서브그래프를 보장하기 위해 서브그래프 토큰과 직교성 제약을 갖춘 계층적 주의 메커니즘을 개발한다.
• 노드 특징을 정제하고 질병 구분력을 향상시키기 위해 계층적 일관성을 강제한다.
• ABIDE 및 REST-meta-MDD에서 최첨단 성능을 입증하고 해석 가능한 바이오마커를 제공한다.

제안 방법

• PCC 기반 뇌 연결성을 노드 토큰으로 투사한다.
• 학습 가능한 서브그래프 토큰을 가진 노드, 서브그래프 및 그래프 수준 간의 계층적 주의 메커니즘을 적용한다.
• 희소성 및 해석 가능성을 촉진하기 위해 노드-서브그래프 집계를 위한 Sparsemax 주의를 사용한다.
• 분류를 위한 전역 뇌 표현을 얻기 위해 그래프-그래프 주의를 계산한다.
• 다양한 서브그래프를 장려하기 위해 서브그래프 직교성 손실을 적용한다.
• 노드 수준 보조 분류기와 교사-학생 KL 발산을 통한 계층적 일관성 손실을 도입하여 노드 특징을 다듬는다.

실험 결과

연구 질문

• RQ1 학습 가능한 계층적 구성 모델이 미리 정의된 아틀라스 를 넘어선 네트워크 간 상호작용을 포착할 수 있는가?
• RQ2 서브그래프 간 직교성과 계층적 일관성을 강제하는 것이 정확도와 해석 가능성을 향상시키는가?
• RQ3 대규모 ASD 및 MDD rs-fMRI 데이터셋에서 BrainHO가 아틀라스 기반 및 원시 신호 기반 베이스라인과 비교하여 어떤 성능을 보이는가?
• RQ4 학습된 서브네트워크에서 어떤 임상적으로 의미 있는 생체표지가 나타나는가?

주요 결과

Dataset	Methods	Input	ACC(%)	AUC(%)	SEN(%)	SPE(%)
REST-meta-MDD	BNT	P	63.28 b1 1.48	69.08 b1 1.49	65.03 b1 4.83	61.41 b1 6.48
REST-meta-MDD	Com-BrainTF	P	63.24 b1 2.34	68.73 b1 1.76	60.93 b1 7.67	66.21 b1 6.90
REST-meta-MDD	ALTER	B,P	63.95 b1 0.72	68.91 b1 0.88	64.94 b1 6.28	62.75 b1 7.75
REST-meta-MDD	DHGFormer	B,P	61.60 b1 1.36	65.18 b1 1.79	64.73 b1 3.55	58.01 b1 3.84
REST-meta-MDD	LHDFormer	B,P	63.95 b1 1.88	69.96 b1 1.80	65.08 b1 5.25	62.79 b1 8.36
REST-meta-MDD	BrainHO(Ours)	P	64.71 b1 2.01	68.83 b1 1.34	67.43 b1 4.19	61.51 b1 3.65
ABIDE	Baseline	P	61.55 b1 2.95	68.85 b1 2.91	62.11 b1 13.20	62.05 b1 12.69
ABIDE	w/o HA	P	61.74 b1 1.78	69.09 b1 1.26	59.57 b1 9.02	64.07 b1 6.99
ABIDE	w/o  lagOC	P	65.61 b1 1.46	71.22 b1 1.49	73.10 b1 11.28	59.19 b1 10.74
ABIDE	w/o  lagAux	P	67.20 b1 2.13	72.24 b1 3.56	69.32 b1 5.17	65.39 b1 4.98
ABIDE	w/o  laghc	P	68.89 b1 3.05	73.67 b1 2.60	67.69 b1 5.12	70.58 b1 2.71
ABIDE	BrainHO(Ours)	P	69.68 b1 2.11	73.80 b1 2.52	73.11 b1 6.73	67.08 b1 4.17

• BrainHO는 고정된 PCC 연결성만을 사용하여 ABIDE 및 REST-meta-MDD에서 최첨단 정확도와 AUC를 달성한다.
• BrainHO는 ABIDE에서 정확도 69.68% 및 AUC 73.80%를 달성하고 민감도는 73.11%로 높은 편이다.
• REST-meta-MDD에서 BrainHO는 정확도 64.71%, 민감도 67.43%로 강건한 일반화를 보인다.
• 적소 제거 실험은 직교성 또는 계층적 일관성을 제거하면 성능이 저하됨을 보여주며, 이들의 기여를 확인한다.
• 학습된 서브네트워크는 알려진 기능적 네트워크와 일치하고 네트워크 간 상호작용을 드러내어 해석 가능성과 임상적 관련성을 뒷받침한다.