用于解释任务态fMRI生物标志物的图神经网络
机器学习
2019-07-15 v2 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
寻找与自闭症谱系障碍(ASD)相关的生物标志物有助于理解该疾病的潜在根源，并可实现更早诊断与更具针对性的治疗。一种有前景的生物标志物识别方法是使用图神经网络(GNNs)，其可用于分析图结构数据，即由fMRI构建的脑网络。解释重要特征的一种方式是观察当特征被遮挡或替换时分类概率的变化。该方法的主要局限在于替换数值可能改变数据分布并导致严重错误。因此，我们开发了一个两阶段流程，以消除对特征替换的需求，从而实现可靠的生物标志物解释。具体而言，我们提出一种归纳式GNN来嵌入包含任务态fMRI不同属性的图，用于识别ASD，进而发现作为GNN分类器证据使用的脑区/子图。我们首先展示GNN在识别ASD中可达到高准确率。接着，我们使用GNN计算特征重要性分数，并与随机森林的解释能力进行比较。最后，我们在不同脑图谱与参数下运行，证明了所提方法的鲁棒性。检测到的生物标志物揭示了其与社交行为的关联。我们还展示了发现新的信息性生物标志物的潜力。我们的流程可推广至其他图特征重要性解释问题。
引用
@article{arxiv.1907.01661,
title = {Graph Neural Network for Interpreting Task-fMRI Biomarkers},
author = {Xiaoxiao Li and Nicha C. Dvornek and Yuan Zhou and Juntang Zhuang and Pamela Ventola and James S. Duncan},
journal= {arXiv preprint arXiv:1907.01661},
year = {2019}
}