[论文解读] Benchmarking Graph Neural Networks for FMRI analysis

Ahmed M. El‐Gazzar, Rajat M. Thomas+1 more|arXiv (Cornell University)|Nov 16, 2022

Functional Brain Connectivity Studies被引用 7

一句话总结

本文针对fMRI数据中的重度抑郁症、自闭症谱系障碍和性别分类任务，对五种图神经网络（GNN）架构与结构无关的深度学习方法及核方法进行了基准测试。尽管理论上具有优势，GNN在所有任务中均表现不如1D卷积神经网络（1D CNN），凸显了图构建质量差——尤其是经过阈值处理的功能连接性——是主要瓶颈。作者通过引入图扩散技术作为预处理步骤，有效提升了模型性能。

ABSTRACT

Graph Neural Networks (GNNs) have emerged as a powerful tool to learn from graph-structured data. A paramount example of such data is the brain, which operates as a network, from the micro-scale of neurons, to the macro-scale of regions. This organization deemed GNNs a natural tool of choice to model brain activity, and have consequently attracted a lot of attention in the neuroimaging community. Yet, the advantage of adopting these models over conventional methods has not yet been assessed in a systematic way to gauge if GNNs are capable of leveraging the underlying structure of the data to improve learning. In this work, we study and evaluate the performance of five popular GNN architectures in diagnosing major depression disorder and autism spectrum disorder in two multi-site clinical datasets, and sex classification on the UKBioBank, from functional brain scans under a general uniform framework. Our results show that GNNs fail to outperform kernel-based and structure-agnostic deep learning models, in which 1D CNNs outperform the other methods in all scenarios. We highlight that creating optimal graph structures for functional brain data is a major bottleneck hindering the performance of GNNs, where existing works use arbitrary measures to define the edges resulting in noisy graphs. We therefore propose to integrate graph diffusion into existing architectures and show that it can alleviate this problem and improve their performance. Our results call for increased moderation and rigorous validation when evaluating graph methods and advocate for more data-centeric approaches in developing GNNs for functional neuroimaging applications.

研究动机与目标

• 对流行的GNN架构与强基线模型在fMRI分类任务中进行公平、标准化的比较。
• 探究在大脑已知网络组织结构的背景下，GNN是否能有效利用脑图结构以提升学习效果。
• 评估样本量对临床fMRI数据集中GNN与基线模型性能的影响。
• 识别并解决阻碍GNN在功能神经影像中表现的主要瓶颈：通过阈值法构建的功能连接性图质量不佳。
• 倡导在fMRI的GNN开发中采用以数据为中心的设计理念，强调严格的验证与可复现性。

提出的方法

• 采用统一、可复现的框架进行所有方法（包括GNN、1D CNN和SVM）的模型选择、超参数调优与评估。
• 通过fMRI时间序列的静态与动态图构建方法（即阈值化功能连接性，FC），并应用图扩散作为预处理步骤以提升图质量。
• 实现三种结构无关的基线模型（如1D CNN、SVM），以隔离图结构对性能的贡献。
• 将图扩散作为预处理步骤，对功能连接图进行平滑与正则化，降低由任意阈值设定引入的噪声。
• 利用英国生物银行数据进行样本量缩放的消融研究，以评估在不同数据规模下的泛化能力。
• 采用一致的训练协议（损失函数、权重初始化、正则化），确保仅架构差异为唯一变量。

实验结果

研究问题

• RQ1 GNN是否在所有fMRI数据分类任务中（包括精神疾病与表型分类）始终优于结构无关的深度学习与基于核的方法？
• RQ2 图构建质量（特别是阈值化功能连接性）对fMRI应用中GNN性能的影响如何？
• RQ3 图扩散预处理能否通过缓解功能连接图中由任意边定义引入的噪声，从而提升GNN性能？
• RQ4 随着样本量增加，模型性能如何变化？GNN在更大数据规模下是否展现出优势？
• RQ5 与更简单的非图感知模型相比，GNN架构差异（如GCN、GAT、AST-GCN）对性能的影响有多大？

主要发现

• 在所有数据集上，GNN在三种分类任务（重度抑郁症、自闭症谱系障碍、性别分类）中均未超越1D CNN。
• 1D CNN（将感兴趣区域视为通道，不依赖图结构）始终优于所有GNN架构，表明在此设定下结构感知并未带来优势。
• AST-GCN（一种可学习图结构的动态GNN）在最大样本量下表现提升，表明当结合自适应图学习时，GNN具备潜在优势。
• 阈值化功能连接性（GNN图构建的标准方法）被识别为噪声的主要来源与性能低下的关键原因，严重削弱了GNN的有效性。
• 作为预处理步骤的图扩散显著提升了GNN性能，通过平滑功能连接图并减少由任意阈值引入的噪声。
• SVM在临床数据集上的表现与深度学习模型相当，表明对于某些任务，复杂架构可能并非必需，也引发了对低数据环境下深度学习附加价值的质疑。