隨著資料驅動的機器學習研究的進步,探索如何利用機器學習來分析醫療資料變得至關重要。現有方法的一個主要限制是人體生理資訊的資料結構通常是不規則的和無序的,很難將這些資料網格化為易於分析處理的格式。而圖表神經網路透過邊連線互動節點,並可以將時間關聯或解剖結構賦值給邊的權重,能夠很好地利用生物系統中的隱式資訊做出醫療診斷,引起了廣泛關注。
我們確定了傳統深度學習在應用於醫學資料分析時面臨的許多挑戰,並強調了圖神經網路在克服這些挑戰方面的貢獻。 我們介紹和討論為醫學診斷提出的各種圖神經網路框架及其具體應用。我們涵蓋了使用圖網路結合深度學習技術進行生物醫學成像應用的工作。 我們總結了基於圖的深度學習當前面臨的挑戰,並根據當前觀察到的趨勢和侷限性提出醫療衛生的未來方向。
圖神經網路
圖卷積神經網路
時態圖網路
基於 RNN 的方法:透過使用圖卷積來過濾輸入和傳遞給迴圈單元的隱藏狀態來捕獲時空依賴性。典型的模型有 Diffusion Convolutional Recurrent Neural Networks (DCRNN)和 Graph Convolutional Recurrent Network (GCRN)。 基於 CNN 的方法:以非遞迴方式處理時空圖。使用時間連線來擴充套件靜態圖結構,以便他們可以在擴充套件圖上應用傳統的 GNN。典型的模型有 Spatio-temporal Graph Convolutional Network (STGCN)、 Temporal Graph Convolutional Network(TGCN)。
具有注意力機制的圖網路
軟性注意力(Soft-attention)機制:端到端的方法,通常放置在編碼器和解碼器之間,可以透過基於梯度的方法學習。全注意力架構可以保留原始訊號的細節,並選擇最關鍵的資訊。 自注意力(Self- attention)機制:完全依賴注意力機制也可以實現可比的效能,受此啟發,圖注意力網路(GAT)透過修改卷積操作將注意力機制融入到傳播中。在傳統的 GCN 中,權重通常取決於相鄰節點,而 GAT 中的權重是透過基於節點特徵的自注意力機制計算得來的。
用於醫學診斷分析的 GNN 案例研究
大腦中的功能連線分析
基於電波圖的分析
解剖結構分析(分類和預測)
解剖結構分析(分割)
研究挑戰和未來方向
七個主要挑戰
圖表示和估計:大多數研究中的圖結構都是手動設計的,缺乏統一的結構知識;不同的屬性和任務需要不同的模型架構,圖結構估計就是為了找到合適的圖,以將資料表示為研究所需的輸入形式。 動態圖和時間圖:許多現實世界的醫學應用是動態的,這意味著圖的節點、邊和權重可以隨時間變化。因此,靜態圖在時間場景中工作表現不佳。 圖模型的複雜性和訓練效率:GCN 與它的變體有著相當大的複雜性,這對於不太具有挑戰的應用程式來說可能是苛刻且不必要的,需要更簡單的圖神經網路模型。 可解釋性和可解讀性:缺乏透明度被認為是 AI 在臨床實踐中採用的主要障礙之一,邁向值得信賴的 AI 的一步是可解釋 AI 的發展。 圖模型的泛化:難以使用異構資料構建準確和強大的學習模型,由於患者隱私和臨床資料管理要求,真正集中的開源醫療大資料集團用於深度學習十分罕見,這就需要模型具有很強的泛化能力。 資料標註效率和訓練正規化:由於深度學習利用高度資料驅動的分層特徵表示,醫療應用有幾個關鍵挑戰,包括註釋稀缺、複雜註釋和弱註釋,以及標籤的稀疏性。 不確定性的量化:在醫學應用中,不確定性可以分為偶然不確定性和認知不確定性:偶然不確定性由資料中的噪聲產生;認知不確定性則可能源於模型的不完整。
三個可能的方向
面部分析:臨床專家依靠某些面部特徵和症狀進行輔助醫學診斷,並且已引入計算機視覺來提供面部特徵的自動和客觀評估。然而, CNN 主要關注面部各區域,沒有考慮面部運動之間隱藏的相互關係,這可以用 GCN 捕獲。因此,在臨床環境中使用 GNN 建立互補的圖表示和關係推理方法還有待探索。 潛在應用:術後疼痛管理、血管脈搏監測、面癱評估,以及幾種神經和精神疾病,包括癲癇、多動症、自閉症、雙相情感障礙和精神分裂症。
人體姿勢定位:人體姿勢捕捉重要的健康相關指標,在評估癲癇、睡眠監測和手術恢復等醫療狀況方面具有潛在價值。由於人體姿勢估計與圖形結構有關,因此 GCN 可以以靈活的方式處理骨架資料。 潛在應用:病床上姿勢估計,以跟蹤手術和疾病恢復以及其他睡眠障礙(如呼吸暫停、壓瘡和腕管綜合徵)造成的損傷。
基於姿勢的動作識別和行為分析:運動評估和監測是臨床觀察過程中的有力工具,並有助於診斷運動和精神障礙。然而,如前所述,骨架本身是圖的形式。基於圖的人體骨骼表示有一個顯著的特點:i)關節和骨骼資訊是互補的,將它們結合起來可以進一步改進基於骨骼的動作識別;ii) 時間連續性不僅存在於關節之間,也存在於身體結構中;iii) 空間域和時間域之間存在共存關係;iv) 骨架序列的時間動態也包含識別任務的重要資訊。 潛在應用:
運動障礙:癲癇、帕金森、阿爾茨海默病、中風、震顫、亨廷頓舞蹈症和神經發育障礙。
精神障礙:痴呆症、精神分裂症、重度抑鬱症、躁鬱症和自閉症譜系。
其他情況:呼吸障礙、住院患者跌倒預測、諸如躁動、抑鬱、譫妄、異常活動或評估醫院環境中的人際交往等健康狀況。
論文連結:https://arxiv.org/abs/2105.13137