图神经网络在 fMRI 分析中的基准评测
机器学习
2022-11-17 v1
摘要
图神经网络（GNNs）已成为从图结构数据中学习的强大工具。此类数据的一个典型例子是大脑，其从神经元的微观尺度到脑区的宏观尺度都作为一个网络运作。这种组织方式使 GNNs 成为建模大脑活动的天然选择工具，并因此在神经影像学界引起了大量关注。然而，采用这些模型相对于传统方法的优势尚未以系统方式进行评估，以衡量 GNNs 是否能够利用数据的底层结构来改善学习。在这项工作中，我们在通用统一框架下研究并评估了五种流行 GNN 架构在两个多中心临床数据集上诊断重度抑郁症和自闭症谱系障碍，以及在 UKBioBank 上从功能脑扫描进行性别分类的性能。我们的结果表明，GNNs 未能优于基于核的和结构无关的深度学习方法，其中 1D CNNs 在所有场景中均优于其他方法。我们强调，为功能脑数据创建最优图结构是阻碍 GNNs 性能的主要瓶颈，现有工作使用任意度量来定义边，导致含噪图。因此我们提出将图扩散整合到现有架构中，并表明它可以缓解此问题并提升其性能。我们的结果呼吁在评估图方法时加强节制与严格验证，并倡导在开发用于功能神经影像应用的 GNNs 时采用更以数据为中心的方法。
引用
@article{arxiv.2211.08927,
title = {Benchmarking Graph Neural Networks for FMRI analysis},
author = {Ahmed ElGazzar and Rajat Thomas and Guido van Wingen},
journal= {arXiv preprint arXiv:2211.08927},
year = {2022}
}
备注
14 pages, 3 figures