[论文解读] Interpretable AI for relating brain structural and functional connectomes

Haoming Yang, Steven L. Winter+2 more|arXiv (Cornell University)|Oct 10, 2022

Functional Brain Connectivity Studies被引用 4

一句话总结

该论文提出Staf-GATE，一种图自编码器，通过变分自编码器框架结合图k近邻层，联合建模结构连接组（SC）与功能连接组（FC）的拓扑结构。该方法在从SC预测FC方面达到最先进性能，并引入基于掩码的扰动方法，以提取SC-FC耦合的可解释性洞察，揭示了对功能连接至关重要的性别分化子网络。

ABSTRACT

One of the central problems in neuroscience is understanding how brain structure relates to function. Naively one can relate the direct connections of white matter fiber tracts between brain regions of interest (ROIs) to the increased co-activation in the same pair of ROIs, but the link between structural and functional connectomes (SCs and FCs) has proven to be much more complex. To learn a realistic generative model characterizing population variation in SCs, FCs, and the SC-FC coupling, we develop a graph auto-encoder that we refer to as Staf-GATE. We trained Staf-GATE with data from the Human Connectome Project (HCP) and show state-of-the-art performance in predicting FC and joint generation of SC and FC. In addition, as a crucial component of the proposed approach, we provide a masking-based algorithm to extract interpretable inferences about SC-FC coupling. Our interpretation methods identified important SC subnetworks for FC coupling and relating SC and FC with sex.

研究动机与目标

• 开发一种生成模型，以捕捉群体中结构连接组与功能连接组联合分布。
• 通过k近邻层架构整合图拓扑特征，提升从SC预测FC的准确性。
• 利用基于扰动的掩码算法，提供对SC-FC耦合的可解释性推理。
• 通过识别对功能连接预测最具预测力的子网络，探究SC-FC耦合中的性别差异。
• 为下游神经科学研究应用，实现配对SC-FC数据的概率推理与模拟。

提出的方法

• Staf-GATE采用变分自编码器，其编码器将个体SC映射到潜在变量，以捕捉群体水平的变异。
• 解码器使用图k近邻层，从潜在变量重建SC，通过泊松潜在空间建模条件概率P(SC|z)。
• 预测生成器从同一潜在表示推断FC，实现SC与FC的联合生成。
• 应用基于掩码的扰动算法，通过测量其对FC预测性能的影响，识别SC中的关键边。
• 使用自助法生成零分布，以对识别出的子网络进行统计显著性检验。
• 模型在人类连接组计划（HCP）数据上进行训练，利用大规模群体连接组数据实现稳健学习。

实验结果

研究问题

• RQ1 结构连接组的哪些子网络对功能连接具有最强预测力，且在个体间是否存在差异？
• RQ2 引入图拓扑特征如何提升从结构连接组预测功能连接组的准确性？
• RQ3 SC-FC耦合在性别间存在哪些特异性差异，哪些结构连接对男性与女性的功能连接预测最为关键？
• RQ4 像Staf-GATE这样的深度生成模型能否真实模拟联合SC-FC数据，同时保持网络拓扑结构与群体水平变异？
• RQ5 如何系统性地从复杂、非线性的深度学习模型中提取可解释性推理，以应用于连接组学？

主要发现

• Staf-GATE在从结构连接组预测功能连接组方面达到最先进性能，群体平均相关系数为0.9，个体平均相关系数为0.55。
• 基于掩码的解释方法识别出结构连接组中对功能连接预测具有高度影响力的特定子网络，揭示了非线性的SC-FC关系。
• 该方法检测到SC-FC耦合存在显著性别差异，识别出在男性与女性中对功能连接预测最具影响力的结构连接集合。
• 该模型成功生成保持训练数据拓扑结构的高保真SC与FC配对，实现连接组数据的真实模拟。
• 基于扰动的解释算法具有通用性，可应用于其他深度学习模型以分析SC-FC耦合结果。
• 尽管性能优异，该模型在从SC预测个体水平FC方面能力有限，表明SC本身可能不足以提供精确的个体预测信息。