[論文レビュー] Benchmarking Graph Neural Networks for FMRI analysis

Ahmed M. El‐Gazzar, Rajat M. Thomas+1 more|arXiv (Cornell University)|Nov 16, 2022

Functional Brain Connectivity Studies被引用数 7

ひとこと要約

本稿では、fMRIデータを用いたうつ病、自閉症スペクトラム症候群、性別の分類において、構造に依存しない深層学習およびカーネル法と比較して、5種類のGNNアーキテクチャをベンチマークした。理論的な利点にもかかわらず、GNNはすべてのタスクで1D CNNに劣り、特にしきい値を設定した機能的結合性によるグラフ構築の不備が主なボトルネックであることが示された。著者らは、性能を向上させるためにグラフ拡散を統合することで、この問題に対処した。

ABSTRACT

Graph Neural Networks (GNNs) have emerged as a powerful tool to learn from graph-structured data. A paramount example of such data is the brain, which operates as a network, from the micro-scale of neurons, to the macro-scale of regions. This organization deemed GNNs a natural tool of choice to model brain activity, and have consequently attracted a lot of attention in the neuroimaging community. Yet, the advantage of adopting these models over conventional methods has not yet been assessed in a systematic way to gauge if GNNs are capable of leveraging the underlying structure of the data to improve learning. In this work, we study and evaluate the performance of five popular GNN architectures in diagnosing major depression disorder and autism spectrum disorder in two multi-site clinical datasets, and sex classification on the UKBioBank, from functional brain scans under a general uniform framework. Our results show that GNNs fail to outperform kernel-based and structure-agnostic deep learning models, in which 1D CNNs outperform the other methods in all scenarios. We highlight that creating optimal graph structures for functional brain data is a major bottleneck hindering the performance of GNNs, where existing works use arbitrary measures to define the edges resulting in noisy graphs. We therefore propose to integrate graph diffusion into existing architectures and show that it can alleviate this problem and improve their performance. Our results call for increased moderation and rigorous validation when evaluating graph methods and advocate for more data-centeric approaches in developing GNNs for functional neuroimaging applications.

研究の動機と目的

• fMRIベースの分類タスクにおいて、代表的なGNNアーキテクチャを強力なベースラインと公平かつ標準化された形で比較すること。
• 脳の既知のネットワーク組織構造を踏まえ、GNNが脳グラフ構造を効果的に活用して学習を改善できるかどうかを調査すること。
• 臨床的fMRIデータセットにおけるGNNおよびベースラインモデルの性能に与えるサンプルサイズの影響を評価すること。
• fMRIにおけるGNN性能を阻害する主なボトルネック、すなわちしきい値を設定した機能的結合性による最適でないグラフ構築を同定し、是正すること。
• fMRIにおけるGNN開発にあたって、データ中心の設計を提唱すること。厳密な検証と再現可能性を重視すること。

提案手法

• GNN、1D CNN、SVMを含むすべての手法に対して、一貫した再現性のあるフレームワークを用いてモデル選択、ハイパーパramータチューニング、評価を実施した。
• fMRI時間系列からのしきい値を設定した機能的結合性（FC）を用いた静的および動的グラフ構築を実施し、グラフ品質の向上を目的としてグラフ拡散を前処理として適用した。
• グラフ構造の貢献を明確にするために、3つの構造に依存しないベースライン（例：1D CNN、SVM）を実装した。
• グラフ拡散を前処理として適用し、機能的結合性グラフの滑らかさと正則化を向上させ、任意のしきい値によるノイズを低減した。
• UK Biobankデータを用いて、サンプルサイズスケーリングに関するアブレーションスタディを実施し、データ領域全体での一般化性能を評価した。
• 損失関数、重み初期化、正則化を一貫して使用することで、アーキテクチャの違いが唯一の変数となるようにした。

実験結果

リサーチクエスチョン

• RQ1 GNNは、fMRIデータからの精神的疾患および表現型の分類において、構造に依存しない深層学習およびカーネルベースのモデルを一貫して上回るのか？
• RQ2 特にしきい値を設定した機能的結合性によるグラフ構築の質が、fMRI応用におけるGNN性能に与える影響は何か？
• RQ3 グラフ拡散を前処理として適用することで、機能的結合性グラフにおける任意のエッジ定義に起因するノイズを低減し、GNN性能を向上させられるか？
• RQ4 モデル性能はサンプルサイズの増加に伴いどのように変化するのか？GNNは大規模データスケールで優位性を示すのか？
• RQ5 GNNのアーキテクチャ的差異（例：GCN、GAT、AST-GCN）が、単純な非グラフ認識モデルと比較して性能に与える影響はどの程度か？

主な発見

• GNNは、すべてのデータセットにおいて、うつ病、自閉症スペクトラム症候群、性別の分類という3つの分類タスクで1D CNNに劣った。
• 領域の選択をチャンネルとして扱うがグラフ構造を考慮しない1D CNNが、すべてのGNNアーキテクチャを一貫して上回った。これは、この設定では構造認識が利点をもたらさないことを示唆している。
• 動的GNNであるAST-GCNは、最大のサンプルサイズで性能が向上した。これは、適応的グラフ学習と組み合わせた場合にGNNに潜在的な可能性があることを示唆している。
• 標準的なグラフ構築法として用いられるしきい値を設定した機能的結合性は、大きなノイズ源であり、GNNの有効性を損なう主な要因であった。
• グラフ拡散を前処理として適用することで、GNNの性能が顕著に向上した。これは、機能的結合性グラフの滑らかさを向上させ、任意のしきい値によるノイズを低減したためである。
• SVMは、臨床的データセットにおいて深層学習モデルと同等に競争力のある性能を示した。これは、特定のタスクでは複雑なアーキテクチャが必ずしも必要ではないことを示唆し、低データ環境における深層学習の追加的価値について疑問を呈するものである。