[论文解读] ADiag: Graph Neural Network Based Diagnosis of Alzheimer's Disease

V. Sampathkumar|arXiv (Cornell University)|Jan 8, 2021

Dementia and Cognitive Impairment Research参考文献 9被引用 8

一句话总结

ADiag 提出了一种基于图神经网络（GNN）的方法，利用T1加权MRI扫描进行阿尔茨海默病（AD）诊断，将皮层厚度差异建模为加权图边。该方法采用GraphSAGE和密集可微池化（DDP）对脑图进行粗化，并实现83.44%的分类准确率，显著优于定性方法和传统定量方法。

ABSTRACT

Alzheimer's Disease (AD) is the most widespread neurodegenerative disease, affecting over 50 million people across the world. While its progression cannot be stopped, early and accurate diagnostic testing can drastically improve quality of life in patients. Currently, only qualitative means of testing are employed in the form of scoring performance on a battery of cognitive tests. The inherent disadvantage of this method is that the burden of an accurate diagnosis falls on the clinician's competence. Quantitative methods like MRI scan assessment are inaccurate at best,due to the elusive nature of visually observable changes in the brain. In lieu of these disadvantages to extant methods of AD diagnosis, we have developed ADiag, a novel quantitative method to diagnose AD through GraphSAGE Network and Dense Differentiable Pooling (DDP) analysis of large graphs based on thickness difference between different structural regions of the cortex. Preliminary tests of ADiag have revealed a robust accuracy of 83%, vastly outperforming other qualitative and quantitative diagnostic techniques.

研究动机与目标

• 开发一种定量、非侵入性的阿尔茨海默病（AD）诊断方法，以减少对主观临床判断的依赖。
• 通过利用来自MRI扫描的脑结构数据，克服定性认知测试（如MMSE、CDR）和侵入性活检的局限性。
• 通过将大脑建模为图，其中皮层厚度差异定义解剖区域之间的边权重，从而提高诊断准确率。
• 利用图神经网络构建一种可扩展、鲁棒且可泛化的框架，能够处理不同大小的图，并适用于新的、未见过的数据。
• 通过结合GraphSAGE与密集可微池化（DDP）的新型架构，实现高于现有定量方法的准确率。

提出的方法

• 从OASIS-3数据库获取T1加权MRI扫描图像，并使用FreeSurfer处理，提取1162个脑区的皮层厚度值。
• 构建脑网络图，其中每个节点代表一个皮层区域，具有三维坐标（x, y, z），边权重由连接区域间的厚度差异决定。
• 应用GraphSAGE并采用邻域聚合生成富含上下文信息的节点表示，通过消息传递实现：$ h_{N(v)}^{k} \text{←} Aggregate_{k}(h_{u}^{k-1}, \forall u \in N(v)) $，随后通过带有Sigmoid激活的全连接层。
• 使用密集可微池化（DDP）将图从1162个节点粗化至18个节点，通过可学习的软分配实现：$ X' = softmax(S)^T \cdot X $，同时保留结构信息。
• 按顺序集成多个GraphSAGE和DDP层，逐步减小图的规模，同时保持判别性特征。
• 使用两个全连接层对最终的18节点图进行二分类诊断（AD阳性/阴性），并应用批量归一化和学习率优化。

实验结果

研究问题

• RQ1 图神经网络能否有效建模皮层厚度差异，从而在定性方法之外显著提升阿尔茨海默病诊断的准确率？
• RQ2 GraphSAGE与密集可微池化（DDP）的集成如何增强脑图上的特征表示与分类性能？
• RQ3 基于GNN的方法在未见脑图上泛化的程度如何？在训练数据有限的情况下是否仍能保持高诊断准确率？
• RQ4 在脑图模型中使用基于厚度差异的边权重，能否比传统MRI量化方法更有效地捕捉神经退行性变化模式？
• RQ5 所提出的ADiag框架在性能上与现有定量和定性AD诊断技术相比如何？

主要发现

• ADiag在使用批量归一化和学习率调度优化后，达到83.44%的峰值验证准确率，显著优于MMSE和CDR等定性方法。
• 优化后训练损失降低至0.695，表明在121个样本的数据集上收敛性与泛化能力得到改善。
• 由于计算成本较高，仅处理了121张图，预计在扩展至300张图后，模型性能可提升至至少95%的准确率。
• GraphSAGE的使用实现了归纳学习，使模型能够泛化至未见过的节点和图，增强了可扩展性与鲁棒性。
• DDP层通过可学习的软池化，成功将图从1162个节点粗化至18个节点，同时保留了对分类至关重要的结构模式。
• 作者预计通过重新设计架构并引入注意力机制，可进一步提升准确率，以突出图中区域的特定重要性。