Artemis to framework przyczynowy (causal), który rozwiązuje problem zniekształceń demograficznych w analizie multimodalnych badań neuroobrazowych za pomocą graficznych sieci neuronowych. W tradycyjnych podejściach dane pochodzące z fMRI (funkcjonalna łączność mózgu) i DTI (strukturalna łączność) są analizowane przez GNN, ale sieci neuronowe mogą wyuczać się przypadkowych, pozbawionych przyczynowości wzorców zamiast nauczyć się rzeczywistych zależności między łącznością mózgu a wynikami klinicznymi. Demograficzne czynniki zakłócające, takie jak wiek i płeć, systematycznie zniekształcają te relacje, powodując, że modele uczą się "oszustniczych skrótów" zamiast reprezentacji odporne na zmianę warunków.
Tradycyjne metody przyczynowe do sieci grafowych działają na poziomie modelowania całego grafu, ale nie uwzględniają rzeczywistych czynników zakłócających właściwych dla danych klinicznych ani nie biorą pod uwagę faktu, że każdy region mózgu wykazuje inną wrażliwość na czynniki demograficzne. Artemis rozwiązuje ten problem poprzez wprowadzenie interwencji przyczynowej na poziomie poszczególnych regionów mózgu. Metoda uczy się reprezentacji czynników zakłócających specyficznych dla każdego regionu, używając lekkich (zoptymalizowanych) parametrów, a następnie wykorzystuje zarówno funkcjonalne, jak i strukturalne cechy multimodalne do rozumowania grafowego.
Framework Artemis został przetestowany na trzech zbiorach danych: ADNI (diagnoza choroby Alzheimera), OASIS (klasyfikacja stadiów demencji) oraz HCP (klasyfikacja płci). We wszystkich przypadkach wykazał konsistentne poprawy w stosunku do reprezentatywnych linii bazowych opartych na GNN. Podejście jest kompatybilne z różnymi architekturami sieci grafowych jako moduł plug-in, co czyni je elastycznym narzędziem do rzeczywistych zastosowań klinicznych.