Self-pruning Graph Neural Network for Predicting Inflammatory Disease Activity in Multiple Sclerosis from Brain MR Images

要約

多発性硬化症 (MS) は、中枢神経系の炎症性病変を特徴とする重度の神経疾患です。
したがって、炎症性疾患の活動性を予測することは、疾患の評価と治療にとって重要です。
ただし、MS 病変は脳全体に発生する可能性があり、形状、サイズ、総数は患者によって異なります。
病変の負荷と位置のばらつきが大きいため、機械学習手法が疾患を評価および予測するために全脳 MRI スキャンの全体的に効果的な表現を学習することが困難になります。
技術的には、病変負荷や空間的近接性などの必須バイオマーカーを組み込むことは簡単ではありません。
私たちの研究は、グラフ ニューラル ネットワーク (GNN) を利用して、新しいグローバル表現のためにこれらのバイオマーカーを集約する最初の試みを表しています。
我々は、2 段階の MS 炎症性疾患活動性予測アプローチを提案します。
まず、3D セグメンテーション ネットワークが病変を検出し、自己教師ありアルゴリズムがその画像特徴を抽出します。
次に、検出された病変を使用して患者グラフが作成されます。
病変はグラフ内のノードとして機能し、第 1 段階で抽出された画像特徴で初期化されます。
最後に、病変は空間的近接性に基づいて接続され、炎症性疾患活動性の予測がグラフ分類タスクとして定式化されます。
さらに、予測のために最も重大な病変を自動選択する自己枝刈り戦略を提案します。
我々が提案した方法は、既存のベースラインを大幅に上回ります（1 年間および 2 年間の炎症性疾患活動性の AUC は、それぞれ 0.67 対 0.61 および 0.66 対 0.60）。
最後に、私たちが提案する方法は、全体的な予測のために各病変に重要度スコアを割り当てることにより、固有の説明可能性を享受します。
コードは https://github.com/chinmay5/ms_ida.git で入手できます。

要約(オリジナル)

Multiple Sclerosis (MS) is a severe neurological disease characterized by inflammatory lesions in the central nervous system. Hence, predicting inflammatory disease activity is crucial for disease assessment and treatment. However, MS lesions can occur throughout the brain and vary in shape, size and total count among patients. The high variance in lesion load and locations makes it challenging for machine learning methods to learn a globally effective representation of whole-brain MRI scans to assess and predict disease. Technically it is non-trivial to incorporate essential biomarkers such as lesion load or spatial proximity. Our work represents the first attempt to utilize graph neural networks (GNN) to aggregate these biomarkers for a novel global representation. We propose a two-stage MS inflammatory disease activity prediction approach. First, a 3D segmentation network detects lesions, and a self-supervised algorithm extracts their image features. Second, the detected lesions are used to build a patient graph. The lesions act as nodes in the graph and are initialized with image features extracted in the first stage. Finally, the lesions are connected based on their spatial proximity and the inflammatory disease activity prediction is formulated as a graph classification task. Furthermore, we propose a self-pruning strategy to auto-select the most critical lesions for prediction. Our proposed method outperforms the existing baseline by a large margin (AUCs of 0.67 vs. 0.61 and 0.66 vs. 0.60 for one-year and two-year inflammatory disease activity, respectively). Finally, our proposed method enjoys inherent explainability by assigning an importance score to each lesion for the overall prediction. Code is available at https://github.com/chinmay5/ms_ida.git

arxiv情報

提供元, 利用サービス

arxiv.jp, Google