[논문 리뷰] Spectral Graph Convolutions on Population Graphs for Disease Prediction

Sarah Parisot, Sofia Ira Ktena외 5명|arXiv (Cornell University)|2017. 03. 08.

Functional Brain Connectivity Studies인용 수 5

한 줄 요약

이 논문은 뇌 영상 데이터와 비영상 데이터를 융합하는 새로운 그래프 컬러지언 네트워크(GCN) 프레임워크를 제안한다. 이 프레임워크는 인구 집단을 희박한 그래프로 모델링하며, 노드는 영상 기반 특징을 가진 개인을 나타내고, 간선은 표현형 유사성을 코딩한다. 이 방법은 ADNI에서 MCI 전환 예측 시 77%의 정확도를 기록했으며, ABIDE에서는 69.5%의 정확도를 달성하여 기존 최고 성능 모델들을 능가한다. 이는 개인의 특징과 상호 주체 간 관계를 모두 활용함으로써 달성된 것이다.

ABSTRACT

Exploiting the wealth of imaging and non-imaging information for disease prediction tasks requires models capable of representing, at the same time, individual features as well as data associations between subjects from potentially large populations. Graphs provide a natural framework for such tasks, yet previous graph-based approaches focus on pairwise similarities without modelling the subjects' individual characteristics and features. On the other hand, relying solely on subject-specific imaging feature vectors fails to model the interaction and similarity between subjects, which can reduce performance. In this paper, we introduce the novel concept of Graph Convolutional Networks (GCN) for brain analysis in populations, combining imaging and non-imaging data. We represent populations as a sparse graph where its vertices are associated with image-based feature vectors and the edges encode phenotypic information. This structure was used to train a GCN model on partially labelled graphs, aiming to infer the classes of unlabelled nodes from the node features and pairwise associations between subjects. We demonstrate the potential of the method on the challenging ADNI and ABIDE databases, as a proof of concept of the benefit from integrating contextual information in classification tasks. This has a clear impact on the quality of the predictions, leading to 69.5% accuracy for ABIDE (outperforming the current state of the art of 66.8%) and 77% for ADNI for prediction of MCI conversion, significantly outperforming standard linear classifiers where only individual features are considered.

연구 동기 및 목표

• 기존 그래프 기반 모델이 쌍별 유사성에 의존하면서도 개인 주체의 특징을 忽시하는 한계를 해결하기 위해.
• 개별 영상 특징과 상호 주체 간 관계를 통합하여 신경퇴행성 및 신경발달성 장애의 질병 예측 성능을 향상시키기 위해.
• 부분적으로 레이블이 부여된 인구 그래프를 효과적으로 처리할 수 있는 GCN 프레임워크를 개발하기 위해.
• 실제 신경영상 데이터베이스인 ADNI와 ABIDE에서 모델의 효과성을 검증하기 위해.

제안 방법

• 개별 주체의 영상 기반 특징 벡터를 가진 노드를 갖는 희박한 그래프로 인구 집단을 표현하기.
• 주체 간 표현형 유사성을 간선 가중치로 코딩하여 상호 주체 간 관계를 포착하기.
• 노드 특징과 그래프 구조를 모두 활용하여 레이블이 없는 노드 클래스를 예측하기 위해 부분적으로 레이블이 부여된 그래프에서 GCN을 훈련하기.
• 이웃 노드로부터의 정보를 집계하면서도 주체별 고유 특징을 유지하기 위해 스펙트럴 그래프 컬러지언 연산을 적용하기.
• 노드 특징을 그래프 전반에 걸쳐 전파하고 정제하는 GCN 아키텍처를 사용하여 개인 및 상관관계 데이터를 공동으로 모델링하기.
• 노드 분류 작업을 위해 교차 엔트로피 손실 함수를 사용하여 모델을 종합적으로 최적화하기.

실험 결과

연구 질문

• RQ1 개별 영상 특징과 상호 주체 간 표현형 유사성을 통합할 경우, 단지 개인 특징에 의존하는 모델 대비 질병 예측 성능이 향상되는가?
• RQ2 인구 그래프 상에서 GCN 기반 접근 방식은 신경퇴행성 및 신경발달성 장애 분류에 얼마나 효과적인가?
• RQ3 간선을 통해 주체 간 관계를 모델링할 경우, 부분적으로 레이블이 부여된 인구 데이터셋에서 예측 정확도가 얼마나 향상되는가?
• RQ4 제안된 방법은 ADNI 및 ABIDE와 같은 벤치마크 신경영상 데이터베이스에서 기존 최고 성능 모델을 능가하는가?

주요 결과

• 제안된 GCN 모델은 ADNI 데이터셋에서 MCI 전환 예측 시 77%의 정확도를 기록하였으며, 단지 개인 특징을 사용하는 표준 선형 분류기보다 유의미하게 뛰어나다.
• ABIDE 데이터셋에서는 자폐 스펙트럼 장애 분류에서 69.5%의 정확도를 달성하였으며, 이는 이전 최고 성능인 66.8%를 초월한다.
• 개별 주체의 영상 특징과 상호 주체 간 표현형 관계를 통합한 결과, 단지 개인 특징에 의존하는 모델 대비 분류 성능 향상이 이루어졌다.
• 결과는 인구 수준의 관계를 그래프 구조를 통해 모델링할 경우 신경영상 분류 작업의 예측 능력이 향상됨을 보여준다.