Réseau antagoniste génératif conditionnel basé sur des graphes pour generer des réseaux fonctionnels cérébraux synthétiques et diagnostiquer la dépression majeure

Contexte de l’étude :

La dépression majeure (Major Depressive Disorder, MDD) est un trouble mental largement répandu, affectant des millions de personnes et posant une menace significative à la santé mondiale. Les recherches montrent que la connectivité fonctionnelle (functional connectivity, FC) extraite par imagerie par résonance magnétique fonctionnelle en état de repos (rs-fMRI) peut révéler des motifs de connexion associés à la MDD, jouant un rôle crucial dans le diagnostic précis. Cependant, en raison de la limitation des données disponibles, le diagnostic robuste de la MDD est un défi. Pour relever ce défi, certaines études récentes ont tenté d’utiliser des réseaux neuronaux profonds (Deep Neural Networks, DNN) pour construire des réseaux génératifs antagonistes (Generative Adversarial Networks, GAN) afin de générer des données FC synthétiques, mais ces méthodes négligent souvent les propriétés topologiques inhérentes de la FC.

Pour surmonter ces difficultés, les auteurs de cet article proposent une nouvelle méthode basée sur un réseau antagoniste génératif conditionnel (conditional GAN) utilisant des réseaux de convolution graphique (Graph Convolutional Networks, GCN) et un discriminateur sensible à la classification (class-aware discriminator), appelée GC-GAN. GC-GAN capture les motifs de FC complexes entre les régions cérébrales en appliquant des GCN dans le générateur et le discriminateur. Le discriminateur sensible à la classification garantit la diversité et la qualité des FC synthétiques générées. De plus, cet article introduit une technique d’optimisation topologique pour améliorer la performance du diagnostic de la MDD en utilisant un jeu de données FC étendu.

Source et auteurs :

Cet article est rédigé par Ji-Hye Oh, Deok-Joong Lee, Chang-Hoon Ji (IEEE membre étudiant), Dong-Hee Shin, Ji-Wung Han, Young-Han Son (IEEE membre étudiant diplômé), et Tae-Eui Kam. Les auteurs appartiennent au département d’Intelligence Artificielle de l’Université de Corée. Cet article a été publié dans le numéro de mars 2024 de l’IEEE Journal of Biomedical and Health Informatics (Vol. 28, No. 3).

Beschreibung der Arbeitsabläufe:

a) Déroulement des travaux:

1. Acquisition et prétraitement des données:

   • Cette étude utilise le plus grand jeu de données public rs-fMRI MDD fourni par le Consortium de Recherche sur l’Imagerie de la Dépression (Depression Imaging Research Consortium, DIRECT).
   • Utilisant les données de 25 sites différents, cet article s’est principalement servi des données du site 20, le plus grand, comprenant 249 sujets MDD et 228 sujets de contrôle normal (normal controls, NC).
   • L’acquisition des données a été réalisée avec un scanner Siemens Tim Trio 3T et une série d’étapes de prétraitement incluant la correction temporelle des tranches, la correction des mouvements de la tête, le filtrage passe-bande et l’élimination des facteurs confondants.

2. Pré-entraînement du classificateur basé sur GCN:

   • Chaque FC réel dérivé des données rs-fMRI est représenté sous forme de graphe non orienté, où les nœuds représentent les régions d’intérêt (ROIs) et les arêtes représentent les connexions entre les nœuds.
   • L’algorithme de sélection des caractéristiques de redondance minimale et de pertinence maximale (mRMR) définit la topologie sur les données FC réelles pour capturer des motifs de connexion distincts entre MDD et NC.
   • Utilisant une matrice de Laplace évoluée et un polynôme de Chebyshev pour approximations des convolutions spectrales graphiques, les caractéristiques informatives des graphes FC sont extraites.

3. Génération de la connectivité fonctionnelle synthétique basée sur GC-GAN:

   • Le générateur et le discriminateur de GC-GAN adoptent l’architecture GCN. Le discriminateur classifie à la fois l’authenticité (réalité de la FC) et la classe des données (MDD/NC).
   • Le générateur part d’une matrice de bruit gaussien et des étiquettes de classe réelles puis génère des FC synthétiques selon les retours du discriminateur.
   • La perte d’entropie croisée et la perte d’erreur quadratique moyenne (MSE) optimisent le générateur, assurant que les FC générées soient identifiables et numériquement proches des FC réelles.

4. Optimisation topologique et diagnostic MDD robuste:

   • Utiliser les FC synthétiques produites par GC-GAN pour étendre les données et améliorer le classificateur GCN afin d’obtenir des diagnostics MDD plus précis.
   • Appliquer l’algorithme mRMR sur le jeu de données étendu pour optimiser la topologie, puis entraîner un nouveau classificateur GCN pour des diagnostics MDD robustes.

b) Principaux résultats de l’étude:

• Résultats expérimentaux sur la génération de la connectivité fonctionnelle synthétique par GC-GAN:

  • En comparant diverses architectures de GAN comme SSGAN, WGAN-GP et ACGAN, GC-GAN a prouvé sa supériorité en générant des FC synthétiques de haute fidélité et diversifiées.
  • Dans les expériences de diagnostic de la MDD, GC-GAN a atteint une précision de classification de 66,84%, une sensibilité de 70,24%, une spécificité de 63,14%, et un score F1 de 68,72%.

• Performance du classificateur et diagnostic de la maladie:

  • Sur différentes expérimentations utilisant divers modèles de réseaux neuronaux graphiques (comme GAT, GraphSAGE et Ensemble), la méthode GC-GAN s’est montrée universelle.
  • La méthode proposée a montré une amélioration de la performance avec divers classificateurs, particulièrement notable en termes de précision géométrique moyenne (GAA) et de précision équilibrée parmi les catégories (Balanced Accuracy).

• Validation du modèle sur différents jeux de données:

  • Les expérimentations sur les données de différents sites ont validé la fiabilité et l’universalité de GC-GAN, notamment sur les sites 20, 1 et 21.

c) Conclusions de l’étude et valeur applicative:

Le modèle GC-GAN présenté dans cet article améliore non seulement la précision du diagnostic de la dépression majeure, mais étend également l’application des réseaux génératifs antagonistes dans la recherche sur la connectivité fonctionnelle cérébrale. De plus, la technique d’optimisation topologique introduite améliore ultérieurement la performance de diagnostic grâce à un jeu de données étendu, offrant une nouvelle perspective et des méthodes plus efficaces pour le diagnostic et le traitement des maladies cérébrales.

d) Points forts de l’étude:

• Innovation du modèle: Intégration inédite des réseaux de convolution graphique dans les réseaux génératifs antagonistes, en combinant le GAN conditionnel et le discriminateur sensible à la classification pour améliorer de manière significative la réalistée et la diversité des données synthétiques.
• Haute utilité: L’optimisation topologique améliore la précision diagnostique, offrant une nouvelle approche technique pour le diagnostic des maladies mentales basées sur la connectivité fonctionnelle.
• Adaptabilité des données: Des validations étendues sur divers classificateurs et jeux de données montrent l’universalité et la robustesse de la méthode.

e) Autres informations pertinentes:

• Extensibilité du modèle: La méthode proposée dans cette étude peut être appliquée non seulement à la MDD, mais aussi à d’autres maladies neurologiques comme la maladie d’Alzheimer et l’autisme.
• Jeux de données publics et code source ouvert: Les jeux de données et le code modèle employés dans cette étude sont accessibles au public, facilitant la reproduction et la recherche ultérieure par d’autres chercheurs.

En introduisant GC-GAN et des techniques d’optimisation topologique, cet article propose une méthode innovante et efficace pour le diagnostic de la dépression majeure basée sur la connectivité fonctionnelle, démontrant des améliorations significatives en extraction des caractéristiques et en performance diagnostique, offrant une valeur scientifique et des perspectives d’application importantes.