用于基于人群的疾病预测的谱图卷积
机器学习
2017-06-22 v3 机器学习
摘要
利用丰富的影像和非影像信息进行疾病预测任务，需要能够同时表示个体特征以及来自潜在大规模人群的受试者之间数据关联的模型。图为此类任务提供了自然的框架，然而以往基于图的方法关注于成对相似性，而没有对受试者的个体特征和属性进行建模。另一方面，仅依赖特定受试者的影像特征向量无法对受试者之间的交互和相似性进行建模，这可能会降低性能。在本文中，我们引入了图卷积网络在人群脑分析中的新概念，结合了影像和非影像数据。我们将人群表示为一个稀疏图，其顶点与基于影像的特征向量相关联，边编码表型信息。该结构用于在部分标记的图上训练 GCN 模型，旨在根据节点特征和受试者之间的成对关联来推断未标记节点的类别。我们在具有挑战性的 ADNI 和 ABIDE 数据库上展示了该方法的潜力，作为在分类任务中整合上下文信息益处的概念验证。这对预测质量有显著影响，在 ABIDE 上达到了 69.5% 的准确率（优于当前 66.8% 的最佳水平），在 ADNI 上预测 MCI 转换时达到了 77% 的准确率，显著优于仅考虑个体特征的标准线性分类器。
引用
@article{arxiv.1703.03020,
title = {Spectral Graph Convolutions for Population-based Disease Prediction},
author = {Sarah Parisot and Sofia Ira Ktena and Enzo Ferrante and Matthew Lee and Ricardo Guerrerro Moreno and Ben Glocker and Daniel Rueckert},
journal= {arXiv preprint arXiv:1703.03020},
year = {2017}
}
备注
International Conference on Medical Image Computing and Computer-Assisted Interventions (MICCAI) 2017