[論文レビュー] Edge-variational Graph Convolutional Networks for Uncertainty-aware Disease Prediction

Yongxiang Huang, Albert C. S. Chung|arXiv (Cornell University)|Sep 6, 2020

Machine Learning in Healthcare参考文献 26被引用数 5

ひとこと要約

本稿では、マルチモodalデータから適応的で変動可能な集団グラフを学習することにより、不確実性を考慮した疾患予測を向上させるためのエッジ可変的グラフ畳み込みネットワーク（EV-GCN）を提案する。画像データと非画像データを、微分可能で変動的なエッジ重み付け機構とモンテカルロ・エッジドロップアウトを用いて統合し、不確実性推定を実現することで、4つのデータセットにおいて自閉症、アルツハイマー病、眼疾患予測の分野で最先端の性能を達成し、従来手法比で最大3.9%の精度向上を達成した。

ABSTRACT

There is a rising need for computational models that can complementarily leverage data of different modalities while investigating associations between subjects for population-based disease analysis. Despite the success of convolutional neural networks in representation learning for imaging data, it is still a very challenging task. In this paper, we propose a generalizable framework that can automatically integrate imaging data with non-imaging data in populations for uncertainty-aware disease prediction. At its core is a learnable adaptive population graph with variational edges, which we mathematically prove that it is optimizable in conjunction with graph convolutional neural networks. To estimate the predictive uncertainty related to the graph topology, we propose the novel concept of Monte-Carlo edge dropout. Experimental results on four databases show that our method can consistently and significantly improve the diagnostic accuracy for Autism spectrum disorder, Alzheimer's disease, and ocular diseases, indicating its generalizability in leveraging multimodal data for computer-aided diagnosis.

研究の動機と目的

• マルチモーダル医療データ（画像データと非画像データ）を統合して、不確実性推定を伴う集団ベースの疾患予測を実現する課題に対処すること。
• 医療分野のグラフ学習において、手作業で作成されたか、しきい値依存の類縁性グラフが示す不安定さと一般化能力の欠如という限界を克服すること。
• グラフ畳み込みネットワークを用いて、グラフのトポロジーと表現を同時に学習可能な微分可能で最適化可能なグラフ構築メカニズムを開発すること。
• グラフトポロジーに対する予測不確実性を定量化するための新規な不確実性推定手法—モンテカルロ・エッジドロップアウト—を導入すること。
• 神経変性疾患や眼疾患を含む多様な医療分野にわたる、フレームワークの一般化可能性と頑健性を実証すること。

提案手法

• フレームワークは、エッジ重みが非画像特徴（例：年齢、性別）の微分可能関数として学習される人口グラフを構築し、GCNと連携してエンド・ツー・エンド最適化を可能にする。
• スペクトル的グラフ畳み込みネットワークを用いて、適応的グラフ上で特徴を集約し、深層GCNアーキテクチャにおける過剰平滑化を緩和するための正則化を施す。
• 提案されたモンテカルロ・エッジドロップアウト（MCED）技術により、推論時にエッジサブセットをサンプリングし、予測不確実性を推定し、予測の信頼区間を提供する。
• エッジ重み付け機構がスペクトル的GCNと連携して最適化可能であることが数学的に証明されており、グラフトポロジーとノード表現の共同学習を可能にする。
• 画像特徴は事前学習済みのCNN（例：InceptionV4、EfficientNet-B0）を用いて抽出され、非画像データ（人口統計情報）は被験者間の関連性をモデル化するために使用される。
• ラベル付きノードの監視とグラフベースの正則化を組み合わせてモデルを訓練することで、ラベルが部分的にしか割り当てられていない集団における半教師あり学習を実現する。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込みネットワークと連携して最適化可能な学習可能で適応的な集団グラフは、マルチモーダル疾患予測の向上に寄与するか？
• RQ2 モンテカルロ・エッジドロップアウトは、医療診断におけるグラフニューラルネットワークの不確実性推定をどのように改善するか？
• RQ3 微分可能でデータ駆動型のグラフ構築メカニズムは、臨床予測タスクにおいて、手作業で作成されたか、しきい値依存の類縁性グラフを上回るか？
• RQ4 EV-GCNは、神経変性疾患や眼疾患を含む多様な医療分野にどの程度一般化可能か？
• RQ5 推定された予測不確実性は、臨床的フォローアップの対象となる高リスクまたは曖昧な症例を特定するのを支援するか？

主な発見

• ADNIデータセットにおいて、アルツハイマー病の転帰予測で79.4%の精度を達成し、従来の最先端手法Parisot比で3.9%の向上を示した。
• TADPOLEデータセットでは87.8%の精度を達成し、前回のSoTA手法AIGを3.5ポイント上回った。
• ODIRデータセットでは、事前学習済みCNN（InceptionV4およびEfficientNet-B0）比で平均AUCが2.97%向上し、糖尿病網膜症検出では4%の向上を示した。
• 施設、性別、年齢を含むエッジ入力を用いたモデルは81.06%の精度と最小の不確実性（0.307）を達成し、より豊富な関連特徴の利点を示した。
• 静的グラフベース手法AIG [9] はEfficientNetと組み合わせた際、性能が低下したことが確認され、EV-GCNにおける学習可能グラフ構築の頑健性を裏付けた。
• MCEDによる推定不確実性は、不確実なサンプルを効果的に特定でき、臨床意思決定支援システムにおける安全な導入を支援した。