CI-GNN：一种受格兰杰因果启发的图神经网络用于可解释的基于脑网络的精神疾病诊断
摘要
近期有一种趋势是利用图神经网络（GNN）的力量进行基于脑网络的精神疾病诊断，这反过来也迫切要求精神科医生充分理解所用 GNN 的决策行为。然而，大多数现有的 GNN 解释器要么是事后型的，需要创建另一个解释模型来解释训练好的 GNN，要么未考虑提取的解释与决策之间的因果关系，使得解释本身包含虚假相关性且忠实度较弱。在这项工作中，我们提出一种受格兰杰因果启发的图神经网络（CI-GNN），这是一种内置可解释模型，能够识别与决策（例如重度抑郁症患者或健康对照）有因果关系的最具影响力的子图（即脑区内的功能连接），而无需训练辅助解释网络。CI-GNN 在图变分自编码器框架下学习解耦的子图级表示 {\alpha} 和 \b{eta}，分别编码原始图的因果和非因果方面，并由条件互信息（CMI）约束正则化。我们从理论上证明了 CMI 正则化在捕捉因果关系上的有效性。我们还在合成数据和三个大规模脑部疾病数据集上针对三种基线 GNN 和四种最先进的 GNN 解释器实证评估了 CI-GNN 的性能。我们观察到 CI-GNN 在广泛的指标上取得了最佳性能，并提供了具有临床证据的更可靠且简洁的解释。CI-GNN 的源代码和实现细节可在 GitHub 仓库（https://github.com/ZKZ-Brain/CI-GNN/）免费获取。
引用
@article{arxiv.2301.01642,
title = {CI-GNN: A Granger Causality-Inspired Graph Neural Network for Interpretable Brain Network-Based Psychiatric Diagnosis},
author = {Kaizhong Zheng and Shujian Yu and Badong Chen},
journal= {arXiv preprint arXiv:2301.01642},
year = {2024}
}
备注
Manuscript ia accepted by Neural Networks, The source code and implementation details are freely available at GitHub repository (https://github.com/ZKZ-Brain/CI-GNN/). 45 pages, 14 figures