GCNによるADHD分類：ノードとエッジ間の共同特徴学習

科学分野:

• 神経画像法
• 計算神経科学
• 機械学習

背景:

• 安静時機能的磁気共鳴画像法（rs-fMRI）から派生した機能的結合ネットワーク（FCN）は、注意欠陥・多動性障害（ADHD）における脳の変化を理解するために重要です。
• 既存のグラフニューラルネットワーク（GNN）手法は、エッジ情報と動的なノード特徴の相互依存性を見落とすことが多く、ADHDの診断精度を制限しています。

研究 の 目的:

• ノードとエッジの特徴を統合することにより、ADHD分類とバイオマーカー発見を強化するための高度なグラフ畳み込みネットワーク（JNEL-GCN）を開発すること。
• より正確な神経画像ベースのADHD診断のために、脳ネットワーク内の動的な相互依存関係の表現を改善すること。

主な方法:

• 低周波変動（ALFF）の振幅を持つノードグラフとノード・エッジ関係行列、および線形グラフ理論を用いたエッジグラフからなるデュアルグラフ表現を構築しました。
• ネットワーク層全体でのノード・エッジ関係の階層的学習のために、最適化されたグラフ畳み込みを用いた交互特徴更新メカニズムを実装しました。
• 勾配ベースのバイオマーカー分析を利用して、ADHD関連脳領域を特定しました。

主要な成果:

• ADHDの分類精度が高く、ADHD200データセットで97.3%、ABIDE-Iデータセットで97.1%を達成し、現在のベンチマークを上回りました。
• 両側辺縁系およびデフォルトモードネットワークにおける重要なADHD関連領域を特定し、既存の文献と一致しました。
• 動的なネットワーク相互作用を捉える上でのデュアルグラフアプローチの有効性を示しました。

結論:

• JNEL-GCNフレームワークは、動的な脳ネットワーク相互作用を包括的に分析することにより、神経画像ベースのADHD診断において重要な進歩をもたらします。
• 本研究は、ADHDの解釈可能なバイオマーカーを提供し、臨床神経科学の応用と将来の研究をサポートします。
• このデュアルグラフアプローチは、診断パフォーマンスを向上させ、ADHDにおける脳ネットワーク異常の理解を深めます。