[论文解读] BrainIB: Interpretable Brain Network-based Psychiatric Diagnosis with Graph Information Bottleneck

Kaizhong Zheng, Shujian Yu+3 more|arXiv (Cornell University)|May 7, 2022

Functional Brain Connectivity Studies被引用 5

一句话总结

BrainIB 是一种新颖的图神经网络框架，利用信息瓶颈原理，从 fMRI 数据中识别出可解释的、与疾病相关的脑网络子图。它在多中心精神疾病数据集上实现了最先进水平的诊断准确率，同时通过稳定的互信息估计和面向边的子图发现，提升了泛化能力，并揭示了临床一致的生物标志物。

ABSTRACT

Developing a new diagnostic models based on the underlying biological mechanisms rather than subjective symptoms for psychiatric disorders is an emerging consensus. Recently, machine learning-based classifiers using functional connectivity (FC) for psychiatric disorders and healthy controls are developed to identify brain markers. However, existing machine learning-based diagnostic models are prone to over-fitting (due to insufficient training samples) and perform poorly in new test environment. Furthermore, it is difficult to obtain explainable and reliable brain biomarkers elucidating the underlying diagnostic decisions. These issues hinder their possible clinical applications. In this work, we propose BrainIB, a new graph neural network (GNN) framework to analyze functional magnetic resonance images (fMRI), by leveraging the famed Information Bottleneck (IB) principle. BrainIB is able to identify the most informative edges in the brain (i.e., subgraph) and generalizes well to unseen data. We evaluate the performance of BrainIB against 3 baselines and 7 state-of-the-art brain network classification methods on three psychiatric datasets and observe that our BrainIB always achieves the highest diagnosis accuracy. It also discovers the subgraph biomarkers which are consistent to clinical and neuroimaging findings. The source code and implementation details of BrainIB are freely available at GitHub repository (https://github.com/SJYuCNEL/brain-and-Information-Bottleneck/).

研究动机与目标

• 解决现有基于 fMRI 的精神疾病诊断机器学习模型在可解释性方面不足以及泛化能力差的问题。
• 开发一种图神经网络框架，识别具有临床意义的、疾病特异性的脑网络连接（子图），而非依赖节点级特征。
• 通过增强分布外泛化能力，提升模型在多中心 fMRI 数据集上的鲁棒性。
• 通过使用 Rényi α 阶熵而非 MINE，稳定图基信息瓶颈中的互信息估计，提升训练可靠性。
• 验证所发现子图生物标志物与已知神经影像学和精神疾病研究结果的临床相关性。

提出的方法

• 将信息瓶颈（IB）原理应用于脑功能连接（FC）网络，将诊断任务视为表示压缩问题。
• 用基于矩阵的 Rényi α 阶熵函数替代互信息神经估计器（MINE），以稳定训练并提升收敛性。
• 设计一种子图生成器，专注于选择具有信息量的边（功能连接），而非节点，以契合连接模式在临床上的重要性。
• 端到端训练模型，学习紧凑且信息丰富的子图表示，以最大化与诊断标签的互信息，同时最小化冗余。
• 在大规模多中心 fMRI 数据集（ABIDE 和 REST-meta-MDD）上，采用留一site 交叉验证和 10 折交叉验证评估泛化能力。
• 通过消融研究和扰动实验验证模型的鲁棒性与可解释性，包括引入无关的小脑连接以测试子图稳定性。

实验结果

研究问题

• RQ1 基于信息瓶颈的 GNN 框架是否能比现有 SOTA 方法识别出更稳健、更具泛化能力的精神疾病脑网络生物标志物？
• RQ2 在 fMRI 数据的图基信息瓶颈中，用 Rényi α 阶熵替代 MINE 是否能提升训练稳定性和性能？
• RQ3 该模型能否发现基于边的子图（功能连接），使其具有临床可解释性，并与 MDD 和 ASD 的已知神经影像学发现一致？
• RQ4 当在之前未见过的站点数据上测试时，BrainIB 在分布偏移下的表现如何？
• RQ5 BrainIB 所发现的子图结构对输入扰动（如小脑中的虚假连接）是否具有鲁棒性？

主要发现

• BrainIB 在 ABIDE 和 REST-meta-MDD 数据集上均取得了最高的诊断准确率，优于 8 种最先进方法，包括 SIB，在 10 折交叉验证和留一site 交叉验证中表现均更优。
• 在 ABIDE 数据集中，BrainIB 在原始数据上达到 71.8% 的准确率，在引入小脑连接的扰动数据上仍保持 65.4% 的准确率，表明其对噪声具有敏感性，同时维持了稳健的子图发现能力。
• 该模型识别出疾病特异性的子图：MDD 患者在默认模式网络（DMN）中表现出连接性增强，而在躯体运动网络（SMN）中连接性降低，与既往临床发现一致。
• 对于 ASD，BrainIB 突出了背侧注意网络（DAN）中的强连接以及皮层下连接的减少，与已知的神经生物学模式相符。
• 拓扑分析显示，MDD 患者与健康对照组在 DMN 和 SMN 的中心性与效率指标上存在显著差异，支持所发现子图的生物学合理性。
• 扰动实验表明，即使引入无关边，BrainIB 仍能保持稳定且有意义的子图结构，表明所发现生物标志物具有鲁棒性和可靠性。