[论文解读] Multi-View Graph Convolutional Network and Its Applications on Neuroimage Analysis for Parkinson's Disease

Xi Zhang, Lifang He+4 more|arXiv (Cornell University)|May 22, 2018

Parkinson's Disease Mechanisms and Treatments参考文献 26被引用 72

一句话总结

论文引入 HOSLR，一种直接处理张量数据用于临床风险预测的高阶稀疏逻辑回归模型，通过块坐标下降和近端梯度方法求解，在 fMRI 和 EHR 数据集上的验证显示具有竞争力的性能和可解释的特征模式。

ABSTRACT

Parkinson's Disease (PD) is one of the most prevalent neurodegenerative diseases that affects tens of millions of Americans. PD is highly progressive and heterogeneous. Quite a few studies have been conducted in recent years on predictive or disease progression modeling of PD using clinical and biomarkers data. Neuroimaging, as another important information source for neurodegenerative disease, has also arisen considerable interests from the PD community. In this paper, we propose a deep learning method based on Graph Convolutional Networks (GCN) for fusing multiple modalities of brain images in relationship prediction which is useful for distinguishing PD cases from controls. On Parkinson's Progression Markers Initiative (PPMI) cohort, our approach achieved $0.9537\\pm 0.0587$ AUC, compared with $0.6443\\pm 0.0223$ AUC achieved by traditional approaches such as PCA.

研究动机与目标

• 在数据为多维张量而非向量（如医疗图像、EHR 张量）时，激发风险预测的动力。
• 开发一个保持多模态结构并促进可解释性稀疏性的高阶稀疏逻辑回归框架。
• 提供一个高效的优化算法及其收敛性保证，用于在张量数据上训练模型。

提出的方法

• 为每个观测定义张量输入并使用 mode-k 权重向量的多线性逻辑模型。
• 在所有模态特定权重向量上结合 L1 与 L2 正则化（弹性网），以诱导稀疏性和稳定性。
• 采用 Block Coordinate Descent（BCD）方法迭代优化每个模态的权重向量和偏置。
• 使用带有收缩算子的 Block Proximal Gradient 方法来求解子问题以实现稀疏性。
• 通过 Kurdyka–Lojasiewicz 框架提供收敛性论证（论文中提及）。
• 在两个真实世界的医疗任务上展示该方法：基于 fMRI 张量的 AD 风险和基于 EHR 矩阵的 CHF 风险。

实验结果

研究问题

• RQ1 HOSLR 是否能够在不将张量值降维为向量的情况下有效预测临床风险？
• RQ2 在多线性权重上使用弹性网正则化是否改善预测准确性与可解释性？
• RQ3 与向量化方法（LR、SLR、SVM）及标准的多线性/逻辑回归方法在真实数据上，HOSLR 有何比较？
• RQ4 从 AD 与 CHF 数据集中，张量系数中出现的可解释风险因素模式有哪些？

主要发现

• HOSLR 在基于 fMRI 数据的三项 AD 相关二分类任务中超越了 NN、SVM、LR、SLR 与 MLR，AUC 提升如图2所示。
• 在基于 EHR 推导矩阵的 CHF 预测中，HOSLR 相较于基线方法获得更高的平均 AUC（图3）。
• 模型产生两个模态特定的权重向量（药物与诊断），使对重要特征对的解释成为可能，表1 高亮显示了 top 诊断和药物。
• 双线性形式 f(X) = w_med^T X w_diag 支持药物与诊断之间的可解释特征交互。
• 弹性网正则化提供数值稳定性并鼓励跨模态的联合稀疏性。