解釈可能な神経発達障害診断のための情報ビンテルネック応用による非均質グラフ学習

arXiv:2502.20769v3 Announce Type: replace 要約：神経発達障害（NDD）の診断における解釈可能なモデルの開発は、多モダリティ神経画像データをエンコード、デコード、統合する際に大きな課題を提起しています。既存の多くの機械学習アプローチが脳ネットワーク解析において期待を寄せつつも、機能磁気共鳴画像法（fMRI）データから意味のあるバイオマーカーを抽出し、画像特徴量と人口統計学的特性との明確な関係を確立する点において、解釈可能性の限界に直面しています。また、現在のグラフニューラルネットワークの手法は、局所的および全球的な機能接続パターンを同時に捉えつつ、理論的に妥当な多モダリティデータ融合を実現できるという課題を抱えています。これらの課題に対処するため、我々は「情報ビンテルネック応用による解釈可能な非均質グラフニューラルネットワーク（I2B-HGNN）」を提案します。この統一されたフレームワークは、情報ビンテルネックの原則を適用し、脳接続モデリングとクロスモーダル特徴量統合を両立させます。このフレームワークは補完的な2つのコンポーネントから構成されます。第1は、情報ビンテルネック導向プーリングを用いて十分なバイオマーカーを特定するために、Transformerベースのグローバルアテンション機構とグラフニューラルネットワークを結合した情報ビンテルネックグラフトランスフォーマー（IBGraphFormer）です。第2は、構造整合性制約を持つメタパスベースの非均質グラフ学習を採用し、神経画像データと人口統計学的データを解釈可能な形で融合させる情報ビンテルネック非均質グラフアテンションネットワーク（IB-HGAN）です。実験結果は、I2B-HGNNがNDDの診断において優れた性能を示していることを証明し、高い分類精度とともに解釈可能なバイオマーカー同定能力を備え、画像データ以外の分析も効果的に実行できることを示しています。

arXiv:2502.20769v3 Announce Type: replace Abstract: Developing interpretable models for neurodevelopmental disorders (NDDs) diagnosis presents significant challenges in effectively encoding, decoding, and integrating multimodal neuroimaging data. While many existing machine learning approaches have shown promise in brain network analysis, they typically suffer from limited interpretability, particularly in extracting meaningful biomarkers from functional magnetic resonance imaging (fMRI) data and establishing clear relationships between imaging features and demographic characteristics. Besides, current graph neural network methodologies face limitations in capturing both local and global functional connectivity patterns while simultaneously achieving theoretically principled multimodal data fusion. To address these challenges, we propose the Interpretable Information Bottleneck Heterogeneous Graph Neural Network (I2B-HGNN), a unified framework that applies information bottleneck principles to guide both brain connectivity modeling and cross-modal feature integration. This framework comprises two complementary components. The first is the Information Bottleneck Graph Transformer (IBGraphFormer), which combines transformer-based global attention mechanisms with graph neural networks through information bottleneck-guided pooling to identify sufficient biomarkers. The second is the Information Bottleneck Heterogeneous Graph Attention Network (IB-HGAN), which employs meta-path-based heterogeneous graph learning with structural consistency constraints to achieve interpretable fusion of neuroimaging and demographic data. The experimental results demonstrate that I2B-HGNN achieves superior performance in diagnosing NDDs, exhibiting both high classification accuracy and the ability to provide interpretable biomarker identification while effectively analyzing non-imaging data.