Zespół badawczy zaproponował MPP-GNN - nowy model oparty na grafowych sieciach neuronowych do klasyfikacji choroby Alzheimera na podstawie obrazów fMRI. Kluczowa innowacja polega na tym, że zamiast zakładać stałą liczbę funkcjonalnych modułów dla wszystkich pacjentów, model adaptacyjnie odkrywa moduły specyficzne dla każdego badanego. Osiąga to poprzez dwupoziomową optymalizację, która hierarchicznie partycjonuje graf mózgu i wykorzystuje odkryte moduły jako bezpośrednie wskazówki do dalszego uczenia się wzorców łączności.
Dotychczasowe metody opierające się na GNN-ach do analizy mózgu często ignorowały zmienność międzyosobniczą - czyli fakt, że organizacja mózgu różni się między pacjentami. MPP-GNN rozwiązuje ten problem, pozwalając każdy model dostosować się do indywidualnych cech struktury mózgu. Model testowano na dwóch publicznie dostępnych zbiorach danych do klasyfikacji Alzheimera i osiągnął najwyższe wartości AUC w porównaniu z istniejącymi metodami bazowymi.
Analiza wyników pokazuje, że odkryte moduły mózgu wykazują znaczące dopasowanie do kanonicznej organizacji sieci funkcjonalnych zdefiniowanej atlas Yeo - co sugeruje biologiczną sensowność modelu. Co więcej, metoda ujawniła charakterystyczny wzorzec dedyferencjacji na poziomie sieci neuronowych u pacjentów z Alzheimerem, potencjalnie otwierając nowe możliwości w zrozumieniu zmian neurofizjologicznych zachodzących w przebiegu tej choroby.