Bipolar disorder (BD) is a severe psychiatric condition characterized by recurrent episodes of depression and mania. Despite decades of research, its diagnosis still relies on clinical interviews and subjective symptom reports, and no reliable neuroimaging-based biomarkers have been established yet. This study investigates the potential of individual-level Morphological Brain Networks (MBNs) derived from structural MRI (sMRI) to distinguish individuals with BD from healthy controls (HC). MBNs were constructed for 1106 subjects from the multi-site StratiBip dataset, and ComBat harmonization was applied to mitigate inter-site variability. MBNs were computed using the Morphometric INverse Divergence (MIND) similarity measure, which calculates the structural similarity between brain regions based on vertex-level distribution of gray and white matter volumes. Each subject’s brain network was modeled as a graph. Graph Neural Networks (GNNs), specifically GCN, GAT, and GIN architectures, were evaluated to assess their classification performance. Experimental trials examined several parameters including the impact of atlas choice, combinations of sociodemographic and brain morphological features, and graph density. The best results were obtained with the GCN architecture and the Neuromorphometrics atlas. Age emerged as a highly informative node feature, and classification performance remained stable across graph densities. The best performing configurations were tested in a leave-one-site-out crossvalidation (LOSO-CV) framework to evaluate generalization on external data. The highest accuracy for BD classification was achieved by the GCN model applied to graphs with 10% density, using MIND similarity values along with age and ROI volumes as node features, achieving consistent results and an average accuracy of 68.07%. A secondary task on sex classification produced an average accuracy of 73.37%, further supporting model robustness. To interpret the model’s decision-making in BD prediction, explainability tools such as Class Activation Mapping (CAM) and GNNExplainer were applied. CAM highlighted the cerebellum as a key node, while GNNExplainer identified age, ROI volumes, and the putamen as the most important features. In this work, the innovative inclusion of MBNs in an explainable GNN framework for BD classification has shown promising results. Our findings support the potential of inter-regional brain morphological similarity as a candidate biomarker for BD.

Il disturbo bipolare (BD) è una grave condizione psichiatrica, caratterizzata da episodi ricorrenti di depressione e mania. Nonostante decenni di ricerca, la diagnosi si basa ancora su colloqui clinici e valutazioni soggettive dei sintomi, e non sono ancora stati identificati biomarcatori affidabili tramite neuroimmagini. Questo studio esplora il potenziale delle reti morfologiche cerebrali (Morphological Brain Networks, MBN) a livello individuale, derivate da immagini di risonanza magnetiche strutturali (sMRI) per distinguere soggetti con BD da controlli sani (HC). Le MBN sono state costruite per 1106 soggetti provenienti dal dataset multi-sito StratiBip, e si è applicata la procedura di armonizzazione ComBat per ridurre la variabilità tra i diversi siti. Le MBN sono state calcolate utilizzando la misura di similarità Morphometric INverse Divergence (MIND), che determina la similarità strutturale tra regioni cerebrali basandosi sulla distribuzione a livello di vertici dei volumi di materia grigia e bianca. La rete cerebrale di ciascun soggetto è stata modellata come un grafo. Sono state valutate le prestazioni di classificazione di diverse architetture di Graph Neural Networks (GNNs), in particolare GCN, GAT e GIN. Una serie di esperimenti ha esplorato diversi parametri, tra cui l’impatto della scelta dell’atlante, la combinazione di caratteristiche sociodemografiche e morfologiche cerebrali, e la densità del grafo. I migliori risultati sono stati ottenuti con l’architettura GCN e l’atlante Neuromorphometrics. Tra le caratteristiche dei nodi, l’età è risultata essere una variabile altamente informativa, e le prestazioni di classificazione si sono mantenute stabili al variare della densità del grafo. Le configurazioni con migliori prestazioni sono state testate tramite una procedura di leave-one-site-out crossvalidation (LOSO-CV) per valutare la capacità di generalizzazione su nuovi dati. L’accuratezza più alta è stata raggiunta dal modello GCN applicato a grafi con densità del 10%, utilizzando i valori di similarità MIND assieme all’età e ai volumi delle ROI come feature dei nodi. Questa configurazione ha mostrato risultati consistenti nei diversi siti di test, con un’accuratezza media del 68.07%. Un task secondario di classificazione del sesso ha prodotto un’accuratezza media del 73,37%, confermando ulteriormente la robustezza del modello. Per comprendere meglio il processo decisionale del modello, sono stati utilizzati strumenti di explainability, come la Class Activation Mapping (CAM) e GNNExplainer. CAM ha evidenziato il cervelletto come nodo chiave nella classificazione, mentre GNNExplainer ha identificato età, volumi delle ROI e putamen come feature più rilevanti. In questo lavoro, l’inclusione innovativa delle MBN all’interno di un framework GNN interpretabile per la classificazione del BD ha mostrato risultati promettenti. I nostri risultati supportano il potenziale della similarità morfologica interregionale del cervello come possibile biomarcatore per il BD.

Graph neural networks for bipolar disorder classification based on morphological brain networks: an application to the multi-site stratibip dataset

POLI, GIUSEPPE
2024/2025

Abstract

Bipolar disorder (BD) is a severe psychiatric condition characterized by recurrent episodes of depression and mania. Despite decades of research, its diagnosis still relies on clinical interviews and subjective symptom reports, and no reliable neuroimaging-based biomarkers have been established yet. This study investigates the potential of individual-level Morphological Brain Networks (MBNs) derived from structural MRI (sMRI) to distinguish individuals with BD from healthy controls (HC). MBNs were constructed for 1106 subjects from the multi-site StratiBip dataset, and ComBat harmonization was applied to mitigate inter-site variability. MBNs were computed using the Morphometric INverse Divergence (MIND) similarity measure, which calculates the structural similarity between brain regions based on vertex-level distribution of gray and white matter volumes. Each subject’s brain network was modeled as a graph. Graph Neural Networks (GNNs), specifically GCN, GAT, and GIN architectures, were evaluated to assess their classification performance. Experimental trials examined several parameters including the impact of atlas choice, combinations of sociodemographic and brain morphological features, and graph density. The best results were obtained with the GCN architecture and the Neuromorphometrics atlas. Age emerged as a highly informative node feature, and classification performance remained stable across graph densities. The best performing configurations were tested in a leave-one-site-out crossvalidation (LOSO-CV) framework to evaluate generalization on external data. The highest accuracy for BD classification was achieved by the GCN model applied to graphs with 10% density, using MIND similarity values along with age and ROI volumes as node features, achieving consistent results and an average accuracy of 68.07%. A secondary task on sex classification produced an average accuracy of 73.37%, further supporting model robustness. To interpret the model’s decision-making in BD prediction, explainability tools such as Class Activation Mapping (CAM) and GNNExplainer were applied. CAM highlighted the cerebellum as a key node, while GNNExplainer identified age, ROI volumes, and the putamen as the most important features. In this work, the innovative inclusion of MBNs in an explainable GNN framework for BD classification has shown promising results. Our findings support the potential of inter-regional brain morphological similarity as a candidate biomarker for BD.
BRAMBILLA, PAOLO
WON SAMPAIO, INES
ING - Scuola di Ingegneria Industriale e dell'Informazione
22-lug-2025
2024/2025
Il disturbo bipolare (BD) è una grave condizione psichiatrica, caratterizzata da episodi ricorrenti di depressione e mania. Nonostante decenni di ricerca, la diagnosi si basa ancora su colloqui clinici e valutazioni soggettive dei sintomi, e non sono ancora stati identificati biomarcatori affidabili tramite neuroimmagini. Questo studio esplora il potenziale delle reti morfologiche cerebrali (Morphological Brain Networks, MBN) a livello individuale, derivate da immagini di risonanza magnetiche strutturali (sMRI) per distinguere soggetti con BD da controlli sani (HC). Le MBN sono state costruite per 1106 soggetti provenienti dal dataset multi-sito StratiBip, e si è applicata la procedura di armonizzazione ComBat per ridurre la variabilità tra i diversi siti. Le MBN sono state calcolate utilizzando la misura di similarità Morphometric INverse Divergence (MIND), che determina la similarità strutturale tra regioni cerebrali basandosi sulla distribuzione a livello di vertici dei volumi di materia grigia e bianca. La rete cerebrale di ciascun soggetto è stata modellata come un grafo. Sono state valutate le prestazioni di classificazione di diverse architetture di Graph Neural Networks (GNNs), in particolare GCN, GAT e GIN. Una serie di esperimenti ha esplorato diversi parametri, tra cui l’impatto della scelta dell’atlante, la combinazione di caratteristiche sociodemografiche e morfologiche cerebrali, e la densità del grafo. I migliori risultati sono stati ottenuti con l’architettura GCN e l’atlante Neuromorphometrics. Tra le caratteristiche dei nodi, l’età è risultata essere una variabile altamente informativa, e le prestazioni di classificazione si sono mantenute stabili al variare della densità del grafo. Le configurazioni con migliori prestazioni sono state testate tramite una procedura di leave-one-site-out crossvalidation (LOSO-CV) per valutare la capacità di generalizzazione su nuovi dati. L’accuratezza più alta è stata raggiunta dal modello GCN applicato a grafi con densità del 10%, utilizzando i valori di similarità MIND assieme all’età e ai volumi delle ROI come feature dei nodi. Questa configurazione ha mostrato risultati consistenti nei diversi siti di test, con un’accuratezza media del 68.07%. Un task secondario di classificazione del sesso ha prodotto un’accuratezza media del 73,37%, confermando ulteriormente la robustezza del modello. Per comprendere meglio il processo decisionale del modello, sono stati utilizzati strumenti di explainability, come la Class Activation Mapping (CAM) e GNNExplainer. CAM ha evidenziato il cervelletto come nodo chiave nella classificazione, mentre GNNExplainer ha identificato età, volumi delle ROI e putamen come feature più rilevanti. In questo lavoro, l’inclusione innovativa delle MBN all’interno di un framework GNN interpretabile per la classificazione del BD ha mostrato risultati promettenti. I nostri risultati supportano il potenziale della similarità morfologica interregionale del cervello come possibile biomarcatore per il BD.
File allegati
File Dimensione Formato  
2025_07_Poli_Tesi_01.pdf

accessibile in internet per tutti

Descrizione: Testo della tesi
Dimensione 8.04 MB
Formato Adobe PDF
8.04 MB Adobe PDF Visualizza/Apri
2025_07_Poli_Executive_Summary_02.pdf

accessibile in internet per tutti

Descrizione: Executive Summary
Dimensione 1.6 MB
Formato Adobe PDF
1.6 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/240792