Explainable Graph-theoretical Machine Learning: with Application to Alzheimer’s Disease Prediction

要約

アルツハイマー病（AD）は世界中の5,000万人に影響を及ぼし、2050年までに1億5200万人を圧倒すると予測されています。ADは、代謝脳のつながりの混乱による認知機能低下を特徴としています。
したがって、代謝脳ネットワークの障害の早期かつ正確な検出は、広告管理にとって重要です。
そのような障害を特定する主なものは、FDG-PETデータです。
進歩にもかかわらず、FDG-PETデータを使用したほとんどのグラフベースの研究は、グループレベルの分析またはしきい値に依存しています。
しかし、グループレベルの分析は、個人の違いをベールする可能性があり、しきい値は弱いが生物学的に重要な脳のつながりを見落とす可能性があります。
さらに、機械学習ベースのAD予測は、主に疾患の状態などの単変量の結果に焦点を当てています。
ここでは、説明可能なグラフ理論的機械学習（XGML）を紹介します。これは、カーネル密度推定と動的時間歪みを採用したフレームワークで、ペアワイズ脳領域間の距離をキャプチャし、多変量AD関連の結果を最も予測するサブグラフを特定する個々の代謝脳グラフを構築します。
Alzheimer’s Disease Neuroimaging InitiativeのFDG-PETデータを使用して、XGMLは代謝脳グラフを構築し、新しい被験者の8つのAD関連認知スコアを予測するサブグラフを発見します。
XGMLは、特にCDRSB（$ r = 0.74 $）、ADAS11（$ r = 0.73 $）、ADAS13（$ r = 0.71 $）などの学習、メモリ、言語、実践、および方向を測定するスコアを予測するために、堅牢なパフォーマンスを示します。
さらに、XGMLはキーエッジを共同で発表しますが、いくつかの広告関連の結果を差別的に予測します。
それらは、全体的な認知機能低下を評価するための潜在的なネットワークバイオマーカーとして機能する可能性があります。
一緒に、バイオマーカーの発見と疾患の予測におけるグラフ理論的機械学習の約束と、ADの根底にあるネットワーク神経メカニズムの理解を深める可能性を示します。

要約(オリジナル)

Alzheimer’s disease (AD) affects 50 million people worldwide and is projected to overwhelm 152 million by 2050. AD is characterized by cognitive decline due partly to disruptions in metabolic brain connectivity. Thus, early and accurate detection of metabolic brain network impairments is crucial for AD management. Chief to identifying such impairments is FDG-PET data. Despite advancements, most graph-based studies using FDG-PET data rely on group-level analysis or thresholding. Yet, group-level analysis can veil individual differences and thresholding may overlook weaker but biologically critical brain connections. Additionally, machine learning-based AD prediction largely focuses on univariate outcomes, such as disease status. Here, we introduce explainable graph-theoretical machine learning (XGML), a framework employing kernel density estimation and dynamic time warping to construct individual metabolic brain graphs that capture the distance between pair-wise brain regions and identify subgraphs most predictive of multivariate AD-related outcomes. Using FDG-PET data from the Alzheimer’s Disease Neuroimaging Initiative, XGML builds metabolic brain graphs and uncovers subgraphs predictive of eight AD-related cognitive scores in new subjects. XGML shows robust performance, particularly for predicting scores measuring learning, memory, language, praxis, and orientation, such as CDRSB ($r = 0.74$), ADAS11 ($r = 0.73$), and ADAS13 ($r = 0.71$). Moreover, XGML unveils key edges jointly but differentially predictive of several AD-related outcomes; they may serve as potential network biomarkers for assessing overall cognitive decline. Together, we show the promise of graph-theoretical machine learning in biomarker discovery and disease prediction and its potential to improve our understanding of network neural mechanisms underlying AD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google