整合因果推断与图神经网络用于阿尔茨海默病分析
机器学习
2025-11-20 v1 统计方法学
摘要
深度图学习已从MRI推进阿尔茨海默病（AD）分类，但大多数模型仍为相关性模型，将人口学和遗传因素与疾病特异性特征相混淆。我们提出了Causal-GCN，一个整合基于do-演算的后门调整的中介入图卷积框架，用于识别对AD进展具有稳定因果影响的大脑区域。每个受试者的MRI被表示为一个结构连接组，其中节点表示皮层和皮层下区域，边编码解剖连接。年龄、性别和APOE4基因型等混杂因素通过主成分进行汇总，并纳入因果调整集。训练完成后，通过对单个区域进行干预，模拟其传入边并改变节点特征，以估计对疾病概率的平均因果效应。应用于ADNI队列的484名受试者，Causal-GCN达到了与基线GNN相当的性能，同时提供了可解释的因果效应排序，突出了与已确立AD神经病理学一致的后部、扣带回和岛叶枢纽。
引用
@article{arxiv.2511.14922,
title = {Integrating Causal Inference with Graph Neural Networks for Alzheimer's Disease Analysis},
author = {Pranay Kumar Peddi and Dhrubajyoti Ghosh},
journal= {arXiv preprint arXiv:2511.14922},
year = {2025}
}