要旨:
機能的磁気共鳴画像法(fMRI)は現在、脳活動を測定する古典的な手法となっており、最近の潮流はAI駆動の診断のためにfMRI脳データを活用する方向へシフトしています。
脳が離散的なものではなく、相互に連結された全体として機能することを考えると、グラフベースのアーキテクチャとしてグラフ畳み込みネットワーク(GCN)は、そのようなタスクの支配的な枠組みとして浮上してきました。なぜならROI（関心領域）を動的に相互接続されたノードとして扱い、それらの間の関係構造を抽出できるためです。
皮肉なことに、GCNのアーキテクチャの性質自体が性能の障害となることです。
GCNの全体的な規則性を捉えるのに効果的な数学的基盤は、トレードオフとなっています。接続されたノード間の特徴を繰り返し平滑化することによって、従来のGCNは特定の神経障害を識別する際に重要となり得る対照的なダイナミクスをぼかしてしまう傾向があります。
この構造的ボトルネックを打破するために、解釈可能な神経発達分析のためのラプラシアン統一機構（LUMINA）を提案します。
私たちのモデルは、双極性ReLU活性化とデュアルスペクトラムのグラフラプラシアンフィルタリング機構を採用するQuad-Stream GCN（4ストリームGCN）であり、従来のGCNでしばしばぼやけていた異質なダイナミクスを捉えます。
そうすることで、各fMRIデータにおける神経接続の多様な範囲と特徴を保持することができます。
ADHD200(N=144)およびABIDE(N=579)データセットを対象とした5分割交差検証を通じて、LUMINAは児童期における最も重要な2つの神経発達障害であるADHDとASDにおいて安定した診断性能を示し、既存モデルをそれぞれ84.66%および88.41%の精度で上回ります。
