[论文解读] Classification of developmental and brain disorders via graph convolutional aggregation

Ibrahim Salim, A. Ben Hamza|arXiv (Cornell University)|Nov 13, 2023

Autism Spectrum Disorder Research被引用 4

一句话总结

该论文提出了一种聚合归一化图卷积网络（AN-GCN），通过将影像和非影像特征融合到具有节点和边特征的群体图中，提升了自闭症谱系障碍和阿尔茨海默病的分类性能。通过整合跳跃连接、身份映射以及基于图采样的聚合机制，该模型在ABIDE和ADNI数据集上分别相较于GCN实现了50%和13.56%的相对准确率提升，且计算复杂度未增加。

ABSTRACT

While graph convolution based methods have become the de-facto standard for graph representation learning, their applications to disease prediction tasks remain quite limited, particularly in the classification of neurodevelopmental and neurodegenerative brain disorders. In this paper, we introduce an aggregator normalization graph convolutional network by leveraging aggregation in graph sampling, as well as skip connections and identity mapping. The proposed model learns discriminative graph node representations by incorporating both imaging and non-imaging features into the graph nodes and edges, respectively, with the aim of augmenting predictive capabilities and providing a holistic perspective on the underlying mechanisms of brain disorders. Skip connections enable the direct flow of information from the input features to later layers of the network, while identity mapping helps maintain the structural information of the graph during feature learning. We benchmark our model against several recent baseline methods on two large datasets, Autism Brain Imaging Data Exchange (ABIDE) and Alzheimer's Disease Neuroimaging Initiative (ADNI), for the prediction of autism spectrum disorder and Alzheimer's disease, respectively. Experimental results demonstrate the competitive performance of our approach in comparison with recent baselines in terms of several evaluation metrics, achieving relative improvements of 50% and 13.56% in classification accuracy over graph convolutional networks on ABIDE and ADNI, respectively.

研究动机与目标

• 通过基于图的表征学习，提升神经发育障碍和神经退行性疾病中的疾病预测性能。
• 通过架构创新，解决深层图卷积网络中的过平滑问题。
• 将影像和非影像特征统一整合到图结构中，实现对脑部疾病的整体建模。
• 在保持大规模神经影像数据集预测性能提升的同时，维持计算效率。
• 实现可解释且可扩展的模型，以支持早期诊断与个性化治疗方案制定。

提出的方法

• 该模型构建一个群体图，其中节点代表具有影像和非影像特征的受试者，边则编码受试者之间的成对相似性。
• 通过一种逐层聚合规则执行图卷积，利用归一化图采样以减少特征传播中的方差。
• 引入跳跃连接，使输入特征可直接传递至深层网络，从而保留初始特征信息。
• 应用身份映射以在特征学习过程中保持图的结构完整性，减少信息退化。
• 采用聚合归一化以稳定训练过程，并缓解图采样中小批量估计带来的偏差。
• 该模型与标准GCN保持相同的内存和时间复杂度，从而实现高效扩展。

实验结果

研究问题

• RQ1 图卷积网络能否有效适配于使用多模态数据对发育障碍和脑部疾病进行分类？
• RQ2 在脑部疾病预测中，引入跳跃连接和身份映射如何提升性能并缓解GCN的过平滑问题？
• RQ3 基于图采样并结合聚合归一化，在神经影像数据集上在多大程度上增强了模型的稳定性和泛化能力？
• RQ4 所提出的模型在ABIDE和ADNI数据集上是否在准确率和鲁棒性方面均优于标准GCN及近期基线模型？
• RQ5 与现有GCN变体相比，该模型是否能在不增加计算成本的前提下维持高性能？

主要发现

• AN-GCN模型在ABIDE数据集上对自闭症谱系障碍预测的分类准确率相较于标准GCN实现了50%的相对提升。
• 在ADNI数据集上，该模型在阿尔茨海默病分类任务中相较GCN实现了13.56%的相对准确率提升。
• 该模型与标准GCN保持相同的内存和时间复杂度，支持高效部署且无性能折衷。
• 批量大小分析显示，最优性能出现在1000的批量大小，更大批量导致泛化能力下降，更小批量则存在无法收敛的风险。
• 该模型在不同数据集上表现出强鲁棒性，尽管存在领域偏移和复杂的神经病理模式，仍保持一致的性能增益。
• 局限性包括由于跳跃连接和身份映射导致的可解释性降低，以及由于领域偏移可能导致的分布外数据性能下降。