Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features

要約

タイトル：共分散ニューラルネットワークの転移性と解剖学的特徴を利用した解釈可能な脳年齢予測の応用

要約：
– グラフ畳み込みネットワーク（GCN）はトポロジー駆動のグラフ畳み込み操作を利用してグラフ上の情報を統合し、推論タスクに利用する。
– 共分散行列をグラフとして扱う 共分散ニューラルネットワーク（VNN）を用いたGCNを、従来のPCAに基づくデータ解析手法と比較し、その利点を示した。
– 本論文では、VNNの転移性を理論的に特徴づけることに焦点を当てる。転移性は、学習モデルが異なる次元の ‘互換性のある’ データセットに対して、最小の努力で汎用性を持たせることを理解されている。
– VNNは、GCNから自己相似性を継承しており、共分散行列が収束するデータセットで性能の転移性が認められることを示した。
– 脳の多重スケールにおける研究のために脳像データセットを用い、VNNの転移性の理論的結果を検証した。
– VNNの解釈可能性を利用したアルツハイマー病の脳年齢予測の評価にフォーカスし、以下の2つの重要な結論を示した: (i) VNNは、ADにおける年齢差異を解剖学的な解釈をすることが可能である。(ii) VNNが提供する解釈可能性は、解剖学的共分散行列の特定の主成分を利用する能力に依存する。
– 転移性を利用して異なるデータセットに対して上で述べた2つの結果をクロスバリデーションした。

要約(オリジナル)

Graph convolutional networks (GCN) leverage topology-driven graph convolutional operations to combine information across the graph for inference tasks. In our recent work, we have studied GCNs with covariance matrices as graphs in the form of coVariance neural networks (VNNs) that draw similarities with traditional PCA-driven data analysis approaches while offering significant advantages over them. In this paper, we first focus on theoretically characterizing the transferability of VNNs. The notion of transferability is motivated from the intuitive expectation that learning models could generalize to ‘compatible’ datasets (possibly of different dimensionalities) with minimal effort. VNNs inherit the scale-free data processing architecture from GCNs and here, we show that VNNs exhibit transferability of performance over datasets whose covariance matrices converge to a limit object. Multi-scale neuroimaging datasets enable the study of the brain at multiple scales and hence, can validate the theoretical results on the transferability of VNNs. To gauge the advantages offered by VNNs in neuroimaging data analysis, we focus on the task of ‘brain age’ prediction using cortical thickness features. In clinical neuroscience, there has been an increased interest in machine learning algorithms which provide estimates of ‘brain age’ that deviate from chronological age. We leverage the architecture of VNNs to extend beyond the coarse metric of brain age gap in Alzheimer’s disease (AD) and make two important observations: (i) VNNs can assign anatomical interpretability to elevated brain age gap in AD, and (ii) the interpretability offered by VNNs is contingent on their ability to exploit specific principal components of the anatomical covariance matrix. We further leverage the transferability of VNNs to cross validate the above observations across different datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI