CI-GNN:以格兰杰因果关系为灵感的图形神经网络,用于基于可解释的大脑网络的精神病诊断

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 计算精神病学是一种计算精神病学.

背景情况:

• 图形神经网络 (GNN) 越来越多地用于基于大脑网络的精神病诊断.
• 现有的GNN解释器往往缺乏因果推理,并且可能遭受虚假的相关性,限制了它们的临床实用性.
• 需要可解释的GNN,提供可靠和因果相关的解释.

研究的目的:

• 开发一个内置可解释的GNN (CI-GNN),识别用于精神病诊断的因果影响子图.
• 确保解释是真实的,与诊断决策直接相关,避免虚假的相关性.
• 评估CI-GNN的性能与合成和现实世界脑疾病数据集的现有方法相比.

主要方法:

• 在图形变化自编码器框架内提出了一个以格兰杰因果关系为灵感的GNN (CI-GNN).
• 利用有条件的相互信息 (CMI) 约束来解开因果 (α) 和非因果 (β) 亚图表示.
• 从理论上证明了CMI限制的合理性,以捕捉因果关系.

主要成果:

• 与三个基线GNN和四个最先进的解释器相比,CI-GNN实现了更高的性能.
• 证明了解释的可靠性和简洁性,并得到了临床证据的支持.
• 成功识别了与精神疾病有因果关系的有影响力的子图.

结论:

• 在精神病诊断中,CI-GNN为大脑网络分析提供了一个强大的和可解释的方法.
• 该模型提供了因果信息的解释,增强了GNN的信任和临床适用性.
• 在神经科学和心理健康方面,CI-GNN代表了可解释AI的重大进步.