Graph Contrastive Learning with Healthy Adult’s Brain Functional Network for Classification ASD and ASD+ADHD

Abstract

Attention deficit/hyperactivity disorder (ADHD) is a majority comorbidity disorder in autism spectrum disorder (ASD). A few study results show that the treatment approach in the individual with only ASD should be different from ASD+ADHD. Consequently, individuals must be accurately diagnosed with ASD or ASD+ADHD for appropriate treatment. However, it is difficult for clinicians due to diagnostic overshading. To address this issue, the machine learning model is helpful. We proposed a model to classify ASD and ADHD using brain functional connectome, since it is a widely known biomarker of ASD and ADHD patients. We introduced Graph Contrastive Learning (GCL) to effectively extract features from graph data and address the insufficiency of opened ASD comorbid resting-state fMRI (rs-fMRI). We introduced GCL that is one of the pretraining strategies for downstream task classifying ASD and ASD+ADHD. We utilized healthy young adult’s rs-fMRI and ASD, ASD+ADHD subjects’ from Human Connectome Project and Autism Brain Imaging Data Exchange I, II, respectively. After preprocessing and quality control, 1084 healthy adults, 75 ASD and 34 ASD+ADHD were selected. Then, we calculated the Pearson correlation of the region of interest (ROI) as an adjacency matrix and node features. GCL framework consists of three components. First, a graph is augmented by two graphs using a pair of two strategies sampled from five augmentation methods according to the distribution learned. Second, the two augmented graphs are mapped to graph embedding vectors through the GNN encoder and projection function. Third, these two vectors were constructed as a contrastive loss which is minimized to obtain optimal parameters. The pretrained GNN encoder was transferred to the downstream task. In downstream task, we calculated binary cross entropy from the result of model prediction to reconstruct loss function. The metric used to evaluate model performance was area under receiver operating characteristic for each of ASD, ASD+ADHD. As a result, transferring the pretrained GCL-based GNN encoder improved performance. In the future work, we will work to develop an augmentation method that be able to retain semantic information of brain functional network. We showed that the encoder pre-training method through contrastive learning is effective on brain functional network graph data. This means that contrastive learning has the potential to be used in brain networks. In addition to the classification task of this study, we anticipate that it will be helpful in the brain functional network classification task of other diseases where labeled data is lacking.|주의력 결핍/과잉 행동 장애(ADHD)는 자폐 스펙트럼 장애(ASD)의 주요 동반 질환이다. 선행 연구 결과에 따르면 ASD 환자의 치료 접근법은 ASD+ADHD 환자의 치료 접근법과 달라야 한다. 따라서 적절한 치료를 위해서는 ASD 또는 ASD+ADHD를 정확하게 진단할 필요성이 있다. 그러나 진단 가림 현상 (Diagnostic overshadowing)으로 인해 임상의가 동반 질환을 진단하는데 어려움이 존재한다. 이 문제를 해결하기 위해 기계학습을 이용한 진단 모델이 도움이 될 수 있다. 우리는 ASD나 ADHD 환자의 바이오마커로 널리 알려져 있는 뇌 기능 커넥톰 데이터를 이용하여 ASD와 ASD+ADHD를 분류하는 모델을 학습했다. 그래프 데이터에서 특징을 효과적으로 추출하고 동반 질환을 가지고 있는 ASD 환자의 공개된 휴식 상태 fMRI (rs-fMRI) 데이터의 부족함을 해결하기 위해 그래프 대조 학습을 도입했다. ASD와 ASD+ADHD를 분류하는 다운스트림 작업을 위한 사전 훈련 전략 중 하나인 그래프 대조 학습 방법을 사용했다. Human Connectome Project와 Autism Brain Imaging Data Exchange I, II의 건강한 젊은 성인의 rs-fMRI와 ASD, ASD+ADHD 대상자를 각각 활용하였으며, 전처리 및 데이터 전처리 확인 과정을 거쳐 건강한 성인 1084명, ASD 75명, ASD+ADHD 34명을 선택하였다. 관심영역 (ROI)의 뇌 기능 신호의 피어슨 상관 계수를 사용하여 인접 행렬을 정의하고, 노드의 특징 값을 정의했다. 그래프 대조 학습 프레임워크는 세 가지 요소로 구성된다. 먼저, 학습된 분포에 따라 5가지 증강 방법에서 샘플링된 2가지 쌍을 사용하여 하나의 그래프를 2개의 그래프를 증강한다. 둘째, 두 개의 증강 그래프는 그래프 신경망 인코더와 프로젝션 함수를 통해 그래프 임베딩 벡터에 매핑된다. 마지막으로 두 벡터는 최적의 매개변수를 얻기 위해 최소화되는 대조 손실 함수로 구성된다. 이와 같은 방법으로 사전 학습된 그래프 신경망 인코더는 다운스트림 작업으로 전달하였다. 결과적으로 그래프 대조 학습 기반으로 사전 훈련된 그래프 신경망 인코더를 전달하면 성능이 향상했다. 우리는 대조 학습을 통한 인코더 사전 훈련 방법이 뇌 기능 네트워크 그래프 데이터에 효과적임을 보여주었다. 이는 뇌 네트워크에서 대조학습의 활용 가능성을 보임을 의미한다. 또한 본 연구의 분류 작업 이외에도 라벨 데이터가 부족한 다른 질환의 뇌 기능 네트워크 분류 작업에 도움이 될 것임을 기대한다.