[论文解读] Graph Neural Network for Interpreting Task-fMRI Biomarkers

Xiaoxiao Li, Nicha C. Dvornek+4 more|arXiv (Cornell University)|Jul 2, 2019

Functional Brain Connectivity Studies参考文献 15被引用 14

一句话总结

该论文提出了一种两阶段图神经网络（GNN）框架，用于解释自闭症谱系障碍（ASD）的任务-fMRI生物标志物，结合归纳式GNN学习与基于梯度的特征重要性计算，无需特征替换。该方法在测试中达到83.6%的准确率，并识别出与社交行为相关的生物可解释性脑区及子图，其可解释性与鲁棒性在不同脑图谱和超参数设置下均优于随机森林模型。

ABSTRACT

Finding the biomarkers associated with ASD is helpful for understanding the underlying roots of the disorder and can lead to earlier diagnosis and more targeted treatment. A promising approach to identify biomarkers is using Graph Neural Networks (GNNs), which can be used to analyze graph structured data, i.e. brain networks constructed by fMRI. One way to interpret important features is through looking at how the classification probability changes if the features are occluded or replaced. The major limitation of this approach is that replacing values may change the distribution of the data and lead to serious errors. Therefore, we develop a 2-stage pipeline to eliminate the need to replace features for reliable biomarker interpretation. Specifically, we propose an inductive GNN to embed the graphs containing different properties of task-fMRI for identifying ASD and then discover the brain regions/sub-graphs used as evidence for the GNN classifier. We first show GNN can achieve high accuracy in identifying ASD. Next, we calculate the feature importance scores using GNN and compare the interpretation ability with Random Forest. Finally, we run with different atlases and parameters, proving the robustness of the proposed method. The detected biomarkers reveal their association with social behaviors. We also show the potential of discovering new informative biomarkers. Our pipeline can be generalized to other graph feature importance interpretation problems.

研究动机与目标

• 开发一种稳健且可解释的方法，用于从任务-fMRI数据中识别自闭症谱系障碍（ASD）的脑网络生物标志物。
• 克服现有GNN可解释性方法依赖特征替换的局限性，避免数据分布失真与重要性评分偏差。
• 将多模态fMRI特征——功能连接性、几何特征、解剖特征及任务相关参数——整合为统一的图表示，以提升生物标志物发现能力。
• 通过在子图和节点上评估模型响应，实现在不遮蔽或重采样情况下的GNN预测可靠解释。
• 验证该方法在不同脑分割图谱（如Destrieux与Desikan-Killiany）及超参数（如子图大小R）下的鲁棒性。

提出的方法

• 该方法从任务-fMRI数据构建多图，其中节点代表脑区（ROI），边编码功能连接、部分连接及几何连接关系。
• 节点特征包括手工设计的度量指标：连接度、GLM系数、任务-fMRI的均值/标准差及三维坐标，通过Box-Cox变换对分布进行归一化。
• 基于消息传递与图同构的归纳式GNN分类器，通过可学习的MLP聚合邻域特征，实现节点表示学习。
• GNN采用残差聚合机制，结合节点度归一化与ReLU激活，以保持结构不变性并防止过度平滑。
• 通过基于梯度的解释方法计算特征重要性：期望梯度幅值 $ \mathbb{E}\left(\frac{1}{N}\sum_i \left|\frac{\partial y}{\partial v_{ij}}\right|\right) $，其中 $ y $ 为ASD的预测概率。
• 通过选择得分最高的ROI社区识别子图重要性，并利用Neurosynth解码其功能相关性。

实验结果

研究问题

• RQ1 基于GNN的框架是否能在实现高分类准确率的同时，可靠地解释ASD任务-fMRI数据中的脑网络生物标志物？
• RQ2 所提出的GNN可解释性方法与随机森林等传统方法相比，在识别生物意义明确的脑区与特征方面表现如何？
• RQ3 该方法在不同脑分割图谱（如Destrieux与Desikan-Killiany）及超参数（如子图大小R）下是否保持鲁棒性？
• RQ4 所识别的子图是否可被功能解码，揭示与社交认知的关联，与现有ASD研究文献一致？
• RQ5 该模型能否识别出超越已知ASD相关区域的新型、有信息量的生物标志物？

主要发现

• 所提出的GNN在分类ASD与健康对照组的测试中达到83.6%的准确率，优于随机森林基线（77.4%准确率）。
• GNN与随机森林在9个重叠脑区中识别出相同顶级生物标志物，但其在节点特征上的重要性评分更均匀且更具生物学合理性，其中生物运动参数 $ \beta_1 $ 的影响最大。
• GNN识别出的前30个ROI在所有图谱与参数设置下均包含眶额皮层与腹内侧前额叶皮层——这些区域此前已被证实与社交动机及ASD相关。
• 前两个子图（各含19个ROI）被功能解码为与高级社交行为相关，将其作为输入输入时达到78.9%的测试准确率，与完整图表现相当。
• 该方法在不同图谱（A1与A2）及子图大小（R = 10, 20, 30）下均表现出鲁棒性，关键脑区在所有配置中均一致被选中。
• Neurosynth解码证实，前两大子图在与社交认知相关的关键词上显著富集，验证了其功能相关性。