Discovering robust biomarkers of neurological disorders from functional MRI using graph neural networks: A Review

要約

グラフ ニューラル ネットワーク (GNN) は、機能的磁気共鳴画像法 (fMRI) データセットをモデリングするための一般的なツールとして登場しました。
最近の多くの研究では、より洗練された GNN 設計による疾患分類パフォーマンスの大幅な改善が報告されており、疾患の潜在的なバイオマーカーとなり得る顕著な特徴が強調されています。
このレビューでは、GNN とモデル説明可能性技術が障害予測タスクのために fMRI データセットにどのように適用されているかの概要を提供し、特に神経変性疾患と神経精神障害に対して生成されたバイオマーカーの堅牢性に重点を置きます。
ほとんどの研究にはパフォーマンスの高いモデルがあるものの、これらの研究で強調されている顕著な特徴は、同じ疾患に関する研究間で大きく異なり、その堅牢性を評価するための研究はほとんど行われていないことがわかりました。
これらの問題に対処するために、これらの潜在的なバイオマーカーの堅牢性を判断するための客観的な評価指標に基づく新しい基準を確立することを提案します。
さらに、既存の文献のギャップを強調し、GNN を通じて発見された潜在的なバイオマーカーの堅牢性を向上させるための将来の研究の基礎を築くことができる予測-帰属-評価フレームワークをまとめます。

要約(オリジナル)

Graph neural networks (GNN) have emerged as a popular tool for modelling functional magnetic resonance imaging (fMRI) datasets. Many recent studies have reported significant improvements in disorder classification performance via more sophisticated GNN designs and highlighted salient features that could be potential biomarkers of the disorder. In this review, we provide an overview of how GNN and model explainability techniques have been applied on fMRI datasets for disorder prediction tasks, with a particular emphasis on the robustness of biomarkers produced for neurodegenerative diseases and neuropsychiatric disorders. We found that while most studies have performant models, salient features highlighted in these studies vary greatly across studies on the same disorder and little has been done to evaluate their robustness. To address these issues, we suggest establishing new standards that are based on objective evaluation metrics to determine the robustness of these potential biomarkers. We further highlight gaps in the existing literature and put together a prediction-attribution-evaluation framework that could set the foundations for future research on improving the robustness of potential biomarkers discovered via GNNs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google