[论文解读] Multi Layered-Parallel Graph Convolutional Network (ML-PGCN) for Disease Prediction

Anees Kazi, Shadi Albarqouni+2 more|arXiv (Cornell University)|Apr 28, 2018

Machine Learning in Healthcare参考文献 2被引用 5

一句话总结

该论文提出了一种多层并行图卷积网络（ML-PGCN），通过图卷积网络将结构化电子健康记录（EHR）数据（如年龄、性别和体重）整合到疾病预测中。通过为每个结构化特征使用并行的GCN分支，并引入可学习的加权层，该模型能够自动优先处理最相关的元数据，在ABIDE数据集上准确率和AUC分别提高5.31%和4.96%，在CXR数据集上准确率和AUC分别提高8.15%和10.36%，优于当前最先进方法。

ABSTRACT

Structural data from Electronic Health Records as complementary information to imaging data for disease prediction. We incorporate novel weighting layer into the Graph Convolutional Networks, which weights every element of structural data by exploring its relation to the underlying disease. We demonstrate the superiority of our developed technique in terms of computational speed and obtained encouraging results where our method outperforms the state-of-the-art methods when applied to two publicly available datasets ABIDE and Chest X-ray in terms of relative performance for the accuracy of prediction by 5.31 % and 8.15 % and for the area under the ROC curve by 4.96 % and 10.36 % respectively. Additionally, the model is lightweight, fast and easily trainable.

研究动机与目标

• 为解决现有CAD系统在基于疾病预测相关性动态加权EHR特征（如年龄、性别）方面的局限性。
• 开发一种深度学习框架，将每个结构化EHR特征视为独立图，实现并行且选择性的特征学习。
• 引入可学习的排序层，基于其对预测的贡献度，自动为每个结构化特征的图表示分配重要性得分。
• 通过基于图的注意力机制融合多模态数据（影像 + EHR），捕捉语义关系，从而提升疾病预测性能。

提出的方法

• 该模型使用M个并行的GCN分支，每个分支处理一个独立的EHR特征（如年龄、性别），作为独立图，其亲和矩阵基于该特征的分布构建。
• 每个分支使用归一化图拉普拉斯矩阵进行谱图卷积：$ H_{l+1}^{(m)} = \sigma\left( D^{(m)^{-1/2}} W^{(m)} D^{(m)^{-1/2}} H_l^{(m)} \Theta_l^{(m)} \right) $，其中 $ W^{(m)} $ 为特征 $ m $ 的亲和矩阵。
• 通过可学习的加权层聚合所有分支的输出，应用可训练权重 $ \omega^{(m)} $，在训练过程中优化以反映各特征的预测相关性。
• 最终预测通过融合层生成，该层结合所有分支的加权表示，支持端到端训练与反向传播。
• 亲和矩阵基于特征在受试者间相似性的高斯核构建，确保图边反映EHR空间中的语义接近度。
• 模型使用交叉熵损失进行训练，配合早停策略与Adam优化器，训练顺序优先处理GCN层，再处理排序层，以增强学习稳定性。

实验结果

研究问题

• RQ1 是否多分支GCN架构（将每个EHR特征视为独立图）在疾病预测上优于单图或融合特征基线？
• RQ2 对EHR特征采用可学习加权机制是否优于固定或等权重融合结构化数据？
• RQ3 通过不同EHR特征定义的邻域关系如何影响潜在空间中疾病类别的聚类效果？
• RQ4 该模型能否自动学习到某些EHR特征（如性别）比其他特征更具预测性，即使其原始统计重要性存在差异？
• RQ5 所提方法在扩展至两个以上EHR特征时是否具备可扩展性与高效性？

主要发现

• 在ABIDE数据集上，采用自动排序机制的ML-PGCN模型达到69.88%的准确率和69.88%的AUC，优于SOTA基线（66.36%准确率，66.36% AUC），准确率与AUC分别提升3.52个百分点。
• 在CXR数据集上，该模型在启用排序机制后达到87.16%的准确率和87.16%的AUC，较基线（80.57%准确率，80.57% AUC）分别提升6.59个百分点。
• 该模型的训练时间仅比基线长13.8%，表明其具有出色的计算效率与可扩展性。
• 各EHR特征（如性别、研究中心、年龄）的学得权重在训练过程中收敛为非均等值，证实模型具备自动优先处理更相关特征的能力。
• 当一个输入分支使用随机图时性能下降，但启用排序层后仍优于基线，证明了自动加权机制的鲁棒性。
• 消融实验表明排序层显著提升性能：无排序层的模型无法达到SOTA水平，而完整模型在两个数据集上均取得最优结果。