Artemis: новый метод ИИ устраняет возрастные и половые искажения в нейровизуализации
Авторы научной работы из международной команды предлагают новый подход для устранения систематических искажений при анализе мультимодальных нейроизображений. Метод, названный Artemis, ориентирован на графовые нейронные сети (GNN), которые всё чаще применяются для изучения связей в мозге на основе данных функциональной (fMRI) и структурной (DTI) МРТ.
Проблема заключается в том, что такие демографические факторы, как возраст и пол, вносят помехи в зависимость между связностью мозга и клиническими исходами. GNN в этих условиях могут опираться на ложные корреляции, а не на причинно-следственные связи. Существующие каузальные методы работают на уровне всего графа и не учитывают региональную специфику мозга.
Artemis решает эту задачу, применяя причинное вмешательство независимо для каждой области мозга. Для этого система учит легковесные представления факторов-конфаундеров для каждого региона, используя мультимодальные функциональные и структурные признаки. Полученный модуль можно встраивать в любую архитектуру GNN.
Эффективность проверена на трёх крупных наборах данных: ADNI для диагностики болезни Альцгеймера, OASIS для стадирования деменции и HCP для классификации пола. Во всех случаях Artemis показал устойчивое улучшение по сравнению с базовыми GNN-моделями. Дополнительные эксперименты подтвердили статистическую значимость и нейронаучную интерпретируемость результатов.
Разработчики подчёркивают, что предложенный подход не требует изменения основной архитектуры сети и может быть легко интегрирован в существующие пайплайны анализа нейроданных. Это открывает путь к более надёжным и объективным диагностическим инструментам в неврологии и психиатрии.
Исследование представлено в виде препринта на платформе arXiv и ожидает публикации в рецензируемом журнале. В случае успешной валидации метод может стать стандартным инструментом для коррекции демографических смещений в нейровизуализационных исследованиях.
