GBM 생존 예측을 위한 정확하고 해석 가능한 하이퍼 그래프 신경망

GBM의 생존 예측은 정확하고 해석 가능한 모델을 요구하지만 현재의 접근법은 이 두 가지 목표를 경쟁적으로 다루고, 성능이 좋은 모델은 투명성을 포기하고, 해석 가능한 모델은 예측 능력을 희생한다. 우리는 이 트레이드 오프가 본질적인 것은 아니라고 주장한다. 그래프 신경망은 구조적 기초를 제공하여 해석 가능한, 설명 가능한 표현을 추출할 수 있다. 또한 현재의 방법은 일반적으로 단일 이미지 모드만 사용하여, 다중 모드 MRI와 임상 메타데이터에 존재하는 보완적인 정보를 최적화하지 못한다. 우리는 두 가지 목표를 동시에 해결하기 위해 세 가지 구성 요소를 통합한 다중 모드 프레임워크를 제안한다. 1. sheaf hypergraph neural network: 조직 조각들 사이의 상위 관계를 캡처하기 위해 방향성, 비대칭적 메시지 전달을 통해; 2. concept bottleneck layer: 학습된 표현을 임상 기반 개념으로 압축하여 사전에 해석 가능성을 강제하는; 3. extension sufficiency test (EST) regularizer: 훈련 중에 설명이 진실에 충실하지 않음을 페널티화하여, 모델 설명이 내부 결정 프로세스를 반영하는지 여부를 확인하는; 임상 및 유전학적 특징은 게이트드 퓨전을 통해 분자 표지자의 주요 예후 신호를 유지하면서 개념 수준의 추적 가능성을 유지한다. UPenn-GBM 데이터셋의 593명의 환자에 대한 5-폴드 교차 검증을 통해, 우리의 프레임워크는 0.643의 일치도와 가장 낮은 폴드 수준의 분산을 가진 모든 비교 모델들 중에서 (std = 0.015) 얻었다. 우리의 지식으로는, 이 연구가 첫 번째 연구로, sheaf hypergraph convolution, concept bottleneck supervision, 그리고 EST regularization이 함께 사용되어 뇌 MRI에서 해석 가능한 생존 예측을 가능하게 하는 것이다.