MPP-GNN: адаптивный графовый ИИ улучшил классификацию болезни Альцгеймера по фМРТ
Функциональная магнитно-резонансная томография (фМРТ) широко применяется для изучения работы мозга. Анализ функциональной связности с помощью графовых нейронных сетей (GNN) уже показал потенциал в классификации нейродегенеративных заболеваний, в частности болезни Альцгеймера (БА). Однако большинство существующих методов предполагают фиксированное количество функциональных модулей для всех испытуемых, что не учитывает межиндивидуальную вариабельность.
В новой работе, опубликованной на arXiv, исследователи предложили модель MPP-GNN (Meta Probabilistic Pooling GNN). Она решает эту проблему, выполняя адаптивную иерархическую сегментацию графа для каждого субъекта и обнаруживая индивидуальные мозговые модули. Затем эти модули используются как явный априор для уточнения связей и обучения представлений.
Задача формулируется как связанная двухуровневая оптимизация: сначала модель адаптивно делит граф на модули, затем применяет их для улучшения классификации. Такой подход позволяет учитывать уникальные особенности организации мозга каждого пациента, что повышает точность модели.
MPP-GNN была проверена на двух публичных наборах данных для классификации болезни Альцгеймера. Модель достигла наивысшего значения AUC по сравнению с установленными базовыми методами в обоих датасетах.
Дополнительный анализ показал, что обнаруженные MPP-GNN модули значимо согласуются с канонической организацией функциональных сетей, описанной в атласе Yeo. Это подтверждает биологическую интерпретируемость модели.
Кроме того, модель выявила паттерн сетевой дедифференциации при болезни Альцгеймера — процесс, при котором функциональные сети становятся менее выраженными и более перекрывающимися. Это наблюдение может способствовать более глубокому пониманию механизмов заболевания и поиску новых биомаркеров для ранней диагностики.
Разработка MPP-GNN открывает перспективы для создания персонализированных инструментов нейровизуализационной диагностики, учитывающих индивидуальные особенности каждого пациента.
