[论文解读] BrainNNExplainer: An Interpretable Graph Neural Network Framework for Brain Network based Disease Analysis

Hejie Cui, Wei Dai+4 more|arXiv (Cornell University)|Jul 11, 2021

Machine Learning in Healthcare参考文献 39被引用 15

一句话总结

BrainNNExplainer 是一种可解释的图神经网络框架，通过联合训练疾病预测主干模型与全局共享的解释生成器，突出显示与神经疾病相关的关键脑网络连接。该方法在HIV和双相情感障碍数据集上达到最先进性能，同时生成经神经科学验证的、可解释的边掩码，提升了社区结构识别能力并增强了模型透明度。

ABSTRACT

Interpretable brain network models for disease prediction are of great value for the advancement of neuroscience. GNNs are promising to model complicated network data, but they are prone to overfitting and suffer from poor interpretability, which prevents their usage in decision-critical scenarios like healthcare. To bridge this gap, we propose BrainNNExplainer, an interpretable GNN framework for brain network analysis. It is mainly composed of two jointly learned modules: a backbone prediction model that is specifically designed for brain networks and an explanation generator that highlights disease-specific prominent brain network connections. Extensive experimental results with visualizations on two challenging disease prediction datasets demonstrate the unique interpretability and outstanding performance of BrainNNExplainer.

研究动机与目标

• 解决现有基于脑网络的图神经网络在疾病预测中可解释性不足和过拟合的问题。
• 开发一种统一框架，联合学习疾病预测与跨受试者的全局共享、疾病特异性解释。
• 通过将模型解释与已知神经环路和神经科学发现对齐，实现临床相关性。
• 通过三步训练策略（迭代优化主干模型与解释模块）提升模型性能与可解释性。

提出的方法

• 该框架由两个联合训练的模块组成：专用于脑网络的主干图神经网络（BrainNN）和学习全局共享边掩码的解释生成器。
• BrainNN采用考虑边权的传播机制，以处理脑网络中的实值连接强度，整合节点特征如独热编码的ROI身份、度分布（LDP）以及node2vec嵌入。
• 解释生成器在所有受试者上生成单一全局共享的边掩码，以突出显示与疾病相关的连接，提升一致性与可解释性。
• 采用三步训练策略，交替训练主干模型在原始图上的表现，并利用生成的解释掩码进行优化，从而同时提升准确率与可解释性。
• 通过局部度统计（LDP）及其他人工构造的特征构建节点表示，以增强表示学习能力，即使在ROI特异性特征有限的情况下亦然。
• 通过将ROI映射至八个神经系统（如DMN、BLN）的神经科学基准验证解释结果，同时使用社区结构指标（如模块度、Fowlkes-Mallows指数）评估解释质量。

实验结果

研究问题

• RQ1 联合训练的图神经网络与解释生成器框架是否能同时提升脑网络疾病分析中的预测性能与可解释性？
• RQ2 跨受试者的全局共享边掩码是否比个体特异性解释更能反映生物上合理的脑网络模式？
• RQ3 生成的解释在多大程度上与已知的神经环路和既定神经科学发现一致？
• RQ4 边权感知的消息传递机制如何增强具有实值连接权重的脑网络中的表示学习？
• RQ5 与原始图相比，解释掩码是否能提升脑网络中社区结构的可检测性？

主要发现

• 在HIV数据集上，BrainNNExplainer达到77.14%的准确率和75.00%的AUC，优于所有最先进基线模型，包括GCN和DiffPool。
• 在BP数据集上，BrainNNExplainer实现75.56%的准确率和69.88%的AUC，相较于主干模型BrainNN提升5%的绝对准确率，且显著优于先前方法。
• 解释掩码显著改善了社区检测指标：完整性（+7.21%）、Fowlkes-Mallows指数（+5.10%）、同质性（+5.82%）、互信息（+5.12%）和v-measure（+6.44%）。
• 可视化结果证实，DMN（默认模式网络）和BLN（双侧 limbic 网络）中的疾病特异性连接被一致突出显示，与HIV和双相情感障碍的已知神经生物学模式一致。
• BrainNN中采用的边权感知消息传递机制相比标准GNN（如GAT和GCN）表现出更优性能，证明其在脑网络数据中的关键作用。
• 三步训练策略有效优化了预测模型与解释生成器，实现了更准确且可解释的预测结果。