D-GATNet：ADHD同定のための動的機能的結合に基づく解釈可能な時間的グラフ注意学習

Abstract

注意欠如・多動性障害（ADHD）は、神経発達に関する広く見られる疾患であり、脳の結合性における複雑な時変的な障害のために、神経画像に基づく診断は依然として困難です。機能的MRI（fMRI）は、機能的な変化を同定するための強力な非侵襲的手段を提供します。既存の深層学習（DL）研究では多様な神経画像特徴が用いられていますが、静的機能結合が広く使われている一方で、動的結合のモデリングは比較的十分に検討されていません。さらに、多くのDLモデルは解釈可能性に欠けています。本研究では、動的機能結合（dFC）を用いた自動ADHD分類のための、解釈可能な時間的グラフベースの枠組みであるD-GATNetを提案します。スライディングウィンドウのピアソン相関により、関心領域（ROI）をノード、結合の強度をエッジとする、機能脳グラフの系列を構築します。空間的な依存関係は多層グラフ注意ネットワークによって学習され、時間的ダイナミクスは1D畳み込みに続く時間的注意によってモデル化されます。解釈可能性は、グラフ注意重みによって支配的なROI間相互作用を明らかにし、ROI重要度スコアによって影響の大きい領域を特定し、時間的注意によって有益な結合セグメントを強調することで実現します。ADHD-200データセットのペキン大学サイトにおいて、層化10-fold交差検証と5シードアンサンブルを用いた実験により、85.18% +_5.64 のバランス精度および0.881のAUCを達成し、最先端の手法を上回りました。注意分析により、小脳およびデフォルトモードネットワークの障害が明らかとなり、神経画像バイオマーカーの可能性が示唆されます。