BrainOOD：分布外泛化的脑网络分析
机器学习
2025-02-05 v1 神经元与认知
摘要
在神经科学中，识别与阿尔茨海默病和自闭症等神经系统疾病相关的独特模式对于早期诊断和有效干预至关重要。图神经网络（GNN）在分析脑网络方面已显示出潜力，但在使用GNN时存在两大挑战：（1）多站点脑网络数据中的分布偏移，导致分布外（OOD）泛化能力差；（2）在识别对神经系统疾病至关重要的关键脑区时，可解释性有限。现有的图OOD方法虽然在其他领域有效，但难以应对脑网络的独特特性。为了弥补这些差距，我们引入了BrainOOD，一个专为脑网络定制的新颖框架，旨在增强GNN的OOD泛化能力和可解释性。BrainOOD框架由一个特征选择器和一个结构提取器组成，它结合了多种辅助损失，包括一个改进的图信息瓶颈（GIB）目标，以恢复因果子图。通过跨脑网络对齐结构选择并过滤噪声特征，BrainOOD提供了对关键脑区的可靠解释。我们的方法优于16种现有方法，并将对OOD受试者的泛化能力提高了高达8.5%。案例研究突显了所提取模式的科学有效性，这与已知神经科学文献中的发现一致。我们还提出了首个OOD脑网络基准，为该领域的未来研究奠定了基础。我们的代码可在https://github.com/AngusMonroe/BrainOOD获取。
引用
@article{arxiv.2502.01688,
title = {BrainOOD: Out-of-distribution Generalizable Brain Network Analysis},
author = {Jiaxing Xu and Yongqiang Chen and Xia Dong and Mengcheng Lan and Tiancheng Huang and Qingtian Bian and James Cheng and Yiping Ke},
journal= {arXiv preprint arXiv:2502.01688},
year = {2025}
}