[论文解读] Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis

Hejie Cui, Wei Dai+4 more|arXiv (Cornell University)|Jun 30, 2022

Functional Brain Connectivity Studies被引用 4

一句话总结

该论文提出了一种可解释的图神经网络框架 IBGNN，用于基于连接组的脑部疾病分析，能够联合预测脑部疾病并识别与疾病相关的生物标志物。通过结合脑网络感知的 GNN 主干网络与全局共享的解释生成器，该模型提升了预测性能，并揭示了人类免疫缺陷病毒（HIV）、双相情感障碍和帕金森病数据集中具有生物学意义的感兴趣区域（ROIs）及连接模式。

ABSTRACT

Human brains lie at the core of complex neurobiological systems, where the neurons, circuits, and subsystems interact in enigmatic ways. Understanding the structural and functional mechanisms of the brain has long been an intriguing pursuit for neuroscience research and clinical disorder therapy. Mapping the connections of the human brain as a network is one of the most pervasive paradigms in neuroscience. Graph Neural Networks (GNNs) have recently emerged as a potential method for modeling complex network data. Deep models, on the other hand, have low interpretability, which prevents their usage in decision-critical contexts like healthcare. To bridge this gap, we propose an interpretable framework to analyze disorder-specific Regions of Interest (ROIs) and prominent connections. The proposed framework consists of two modules: a brain-network-oriented backbone model for disease prediction and a globally shared explanation generator that highlights disorder-specific biomarkers including salient ROIs and important connections. We conduct experiments on three real-world datasets of brain disorders. The results verify that our framework can obtain outstanding performance and also identify meaningful biomarkers. All code for this work is available at https://github.com/HennyJie/IBGNN.git.

研究动机与目标

• 解决深度学习模型在脑部疾病诊断中可解释性不足的问题。
• 识别跨受试者共有的、与疾病特异相关的脑网络模式，而非个体特异的解释。
• 通过统一的、全局共享的解释掩码提升疾病预测性能。
• 基于现有神经科学文献验证所识别生物标志物的生物学合理性。
• 开发一种将个体特异性连接组与群体水平解释相结合的框架，实现多层次分析。

提出的方法

• 主干模型 IBGNN 使用一种对边权重敏感的消息传递机制，结合脑区之间的节点特征与加权边连接。
• 通过消息聚合规则更新节点表示，该规则对邻居节点（包括自连接）的消息求和，并使用非线性激活函数。
• 在所有受试者上学习一个全局共享的解释掩码，以突出显示与疾病相关的感兴趣区域（ROIs）和关键连接。
• 将解释掩码应用于原始脑网络，生成掩码图，并与主干模型联合微调，形成 IBGNN+。
• 解释生成器生成一个单一的、共享的解释矩阵，识别出在同种疾病患者中普遍显著的 ROIs 和连接。
• 该框架端到端训练，实现预测与解释的同步进行，性能在三个真实世界神经影像数据集上进行评估。

实验结果

研究问题

• RQ1 基于 GNN 的模型是否能在保持可解释性的同时，在基于连接组的脑部疾病预测中实现高性能？
• RQ2 全局共享的解释是否能识别出与现有神经科学发现一致的、具有生物学合理性的生物标志物？
• RQ3 解释掩码的整合是否能提升 GNN 主干模型的预测性能？
• RQ4 所识别出的显著 ROIs 和连接在不同脑部疾病（如 HIV、双相情感障碍和帕金森病）中是否具有一致性？
• RQ5 该模型能否揭示对图像质量个体差异具有鲁棒性的群体水平网络模式？

主要发现

• IBGNN 主干模型在三个真实世界数据集（HIV、BP、PPMI）上均表现出强劲性能，证明了其在不同神经影像模态下的泛化能力。
• 全局共享的解释掩码成功识别出与疾病相关的特异性生物标志物，例如在 HIV 患者中识别出的下额回，在帕金森病患者中识别出的前部中额回。
• 解释子图揭示了 HIV 患者默认模式网络（DMN）和视觉网络（VN）的显著破坏，与已知的视觉处理缺陷一致。
• 对于双相情感障碍，模型突出了背侧注意网络（BLN）内部连接性的降低，与临床发现的顶叶皮层 dysfunc 一致。
• 在帕金森病中观察到感觉运动网络（SMN）和 DMN 连接性的下降，证实了既往神经影像研究关于运动与认知功能减退的发现。
• IBGNN+ 模型通过使用解释增强的图对主干模型进行微调，相比基础模型进一步提升了性能，验证了解释模块的实用性。