使用图卷积网络进行疾病预测：在自闭症谱系障碍与阿尔茨海默病中的应用
机器学习
2018-06-06 v1 机器学习
摘要
图被广泛用作一种自然框架，以捕捉图中表示为节点的各个元素之间的交互。在医学应用中，具体而言，节点可表示潜在大群体（患者或健康对照）中的个体并附带一组特征，而图边以直观方式纳入受试者之间的关联。这种表示允许在疾病分类任务中同时纳入丰富的成像与非成像信息以及个体受试者特征。先前基于图的疾病预测有监督或无监督学习方法仅关注受试者之间的成对相似性，忽略个体特征与特性，或者依赖特定受试者的成像特征向量而未能建模它们之间的交互。在本文中，我们提出对一个通用框架的深入评估，该框架利用成像与非成像信息，可用于大群体中的脑分析。该框架利用图卷积网络（Graph Convolutional Networks, GCNs），并将群体表示为稀疏图，其节点关联基于成像的特征向量，而表型信息作为边权重整合。广泛评估探究了该框架各单独组件对疾病预测性能的影响，并进一步将其与不同基线比较。该框架性能在两个具有不同底层数据的大型数据集 ABIDE 与 ADNI 上测试，分别用于预测自闭症谱系障碍与向阿尔茨海默病的转化。我们的分析表明，我们的新框架在两个数据库上均能超越最先进（state-of-the-art, SOTA）结果，ABIDE 分类准确率为 70.4%，ADNI 为 80.0%。
引用
@article{arxiv.1806.01738,
title = {Disease Prediction using Graph Convolutional Networks: Application to Autism Spectrum Disorder and Alzheimer's Disease},
author = {Sarah Parisot and Sofia Ira Ktena and Enzo Ferrante and Matthew Lee and Ricardo Guerrero and Ben Glocker and Daniel Rueckert},
journal= {arXiv preprint arXiv:1806.01738},
year = {2018}
}
备注
in Press at Medical Image Analysis, MICCAI 2017 Special Issue