Deep learning frameworks for disease classification with neuroimaging and non-imaging information require the capability of capturing associative information among subjects as well as individual features. Graphs represent interactions among nodes, which contain individuals’ feature, through edges in order to incorporate inter-relatedness among heterogeneous data. Previous graph-based approaches for disease classification have focused on the similarities among subjects by establishing customized functions or solely depended on imaging features. The purpose of this paper is to propose a novel graph-based deep learning architecture for classifying Alzheimer’s disease (AD) by combining resting state functional MRI and demographic measures without defining any study specific function. We used neuroimaging data from ADNI and OASIS database to test the robustness of our proposed model. We combined individuals’ imaging-based features and non-imaging information by categorizing into distinctive nodes to construct subject-demographic bipartite graph. The approximation personalized propagation of neural predictions (APPNP), a recently developed graph neural network model, is used to classify the AD continuum from cognitive unimpaired individuals. The results showed that our model successfully captures the heterogeneous relations among subjects and improved the quality of the classifications compare to other classical and deep learning models and our model outperformed among them.
신경 영상 및 기타 정보를 기반으로 한 질병 분류 딥 러닝 모델은 개별적 특성뿐만 아니라 연관된 정보를 학습하는 방향이 효율적이다. 그래프는 개별적 특성을 포함하고 있는 노드 간의 관계를 나타낼 수 있기 때문에 다중 데이터 간의 상호 연관성을 표현할 수 있다. 이 연구에서는 휴지 상태 기능적 자기공명영상과 기타 정보를 결합하여 알츠하이머 치매를 분류하기 위한 새로운 그래프 기반 딥 러닝 체계를 제안한다. 서로 다른 정보를 각각의 노드로 분류하는 이분 그래프를 구축했으며, 최근 개발된 그래프 신경망 모델인 근사 개인화 된 신경 예측 전파(approximation personalized propagation of neural predictions)를 사용해 비인지 장애와 알츠하이머 치매를 분류했다. 그 결과 이 연구에서 제시된 모델이 다중 정보 간의 관계를 성공적으로 포착하고 다른 딥 러닝 모델과 비교해 우수한 성능을 보였다.
