[논문 리뷰] Multi-View Graph Convolutional Network and Its Applications on Neuroimage Analysis for Parkinson's Disease

Xi Zhang, Lifang He외 4명|arXiv (Cornell University)|2018. 05. 22.

Parkinson's Disease Mechanisms and Treatments참고 문헌 26인용 수 72

한 줄 요약

논문은 임상 위험 예측을 위해 텐서 데이터를 직접 다루는 고차 희소 로지스틱 회귀 모델 HOSLR을 소개하며, 블록 좌표 하강법과 근사 기울기 방법으로 해결되고 fMRI와 EHR 데이터셋에서 경쟁력 있는 성능과 해석 가능한 특징 패턴을 보여준다.

ABSTRACT

Parkinson's Disease (PD) is one of the most prevalent neurodegenerative diseases that affects tens of millions of Americans. PD is highly progressive and heterogeneous. Quite a few studies have been conducted in recent years on predictive or disease progression modeling of PD using clinical and biomarkers data. Neuroimaging, as another important information source for neurodegenerative disease, has also arisen considerable interests from the PD community. In this paper, we propose a deep learning method based on Graph Convolutional Networks (GCN) for fusing multiple modalities of brain images in relationship prediction which is useful for distinguishing PD cases from controls. On Parkinson's Progression Markers Initiative (PPMI) cohort, our approach achieved $0.9537\\pm 0.0587$ AUC, compared with $0.6443\\pm 0.0223$ AUC achieved by traditional approaches such as PCA.

연구 동기 및 목표

• 데이터가 벡터가 아니라 다차원 텐서일 때 위험 예측의 동기를 제시합니다(예: 의료 영상, EHR 텐서).
• 다중 모드 구조를 보존하고 해석 가능성을 위한 희소성을 촉진하는 고차 희소 로지스틱 회귀 프레임워크를 개발합니다.
• 텐서 데이터에서 모델을 학습하기 위한 수렴 보장을 가진 효율적인 최적화 알고리즘을 제공합니다.

제안 방법

• 각 관찰에 대한 텐서 입력과 모드-k 가중 벡터를 사용한 다선형 로지스틱 모델을 정의합니다.
• 희소성 및 안정성을 유도하기 위해 모든 모드별 가중 벡터에 걸쳐 L1과 L2 정규화(엘라스틱 넷)를 결합합니다.
• 블록 좌표 하강법(BCD) 접근법을 사용하여 각 모드의 가중 벡터와 바이어스를 반복적으로 최적화합니다.
• 슬림징(축소) 연산자를 포함하는 블록 프로ximal gradient 방법으로 부분문제를 풉니다.
• Kurdyka–Lojasiewicz 프레임워크를 통한 수렴 정당성을 제공합니다.
• AD 위험을 fMRI 텐서에서, CHF 위험을 EHR 매트릭스에서 두 가지 실제 의료 작업에 접근을 시연합니다.

실험 결과

연구 질문

• RQ1 HOSLR이 벡터로 펼치지 않고 텐서 값의 의료 데이터에서 임상 위험을 효과적으로 예측할 수 있습니까?
• RQ2 다중 선형 가중치에 대한 엘라스틱-넷 정규화가 예측 정확도와 해석 가능성을 향상시킵니까?
• RQ3 실제 데이터에서 HOSLR은 벡터 기반 방법(LR, SLR, SVM) 및 표준 다선형/로지스틱 접근법과 어떻게 비교됩니까?
• RQ4 AD 및 CHF 데이터셋에서 텐서 기반 계수로 어떤 해석 가능한 위험 요인 패턴이 나타납니까?

주요 결과

• HOSLR은 fMRI 데이터를 기반으로 한 세 가지 AD 관련 이진 분류 작업에서 NN, SVM, LR, SLR 및 MLR보다 우수했습니다(AUC 개선은 Fig. 2에 표시됨).
• CHF 예측에서 EHR 유도 매트릭스에서 HOSLR은 기저 방법보다 더 높은 평균 AUC를 달성했습니다(Fig. 3).
• 모델은 두 개의 모드별 가중 벡터(약물 및 진단)를 산출하여 중요한 특징 쌍의 해석 가능성을 가능하게 하며, 상위 진단 및 약물은 표 1에 강조됩니다.
• 이차식 형식 f(X) = w_med^T X w_diag는 약물과 진단 간의 해석 가능한 특징 상호 작용을 지원합니다.
• 엘라스틱-넷 정규화는 수치적 안정성을 제공하고 모드 간 결합 희소성을 촉진합니다.