摘要
注意缺陷与多动障碍(多动症，Attention deficit and hyperactivity disorder,ADHD)是一种常见于儿童和青少年间的神经发育障碍，目前病理机制尚不明确。多动症诊断通常以临床访谈和行为评估为金标准，但受医生临床经验影响较大,缺乏客观的脑影像学支撑。目前，功能磁共振成像( functional magnetic resonance imaging,fMRI) 凭借时空分辨率高等特点为多动症疾病提供了新的研究方式。通过对患者静息状态下fMRI数据进行脑网络建模，可以提取功能连接特征作为潜在生物标志物，识别患者病灶区域并追踪大脑内部状态变化。目前，基于功能脑网络建模的深度学习方法没有充分考虑患者fMRI数据中相邻时间序列间的强区域相关信息，也无法长时间有效捕捉并保存大脑内部状态的转换过程。此外,由于医学数据集小样本、高维度的特点，模型训练中容易出现过拟合问题。 因此，本文提出了一种新的脑网络建模和分类框架，名为MAREM-CF,它使用基于多头注意力的区域增强模型( MAREM)对相邻时刻的时变状态进行增强和持续性学习，提取更具表征能力的脑网络特征，以辅助疾病分类。为了克服小样本医学数据集的限制，我们引入领域知识，并在MAREM-CF基础上增加了特征融合分支，构建了 MAREM-CF+框架，以获取更多疾病相关特征。本文开展的主要工作如下: (1)设计了基于多头注意力的区域增强模型，利用局部循环神经网络( LocalRNN)和多头注意力机制增强对大脑内部时变特性的持续提取。通过各区域块内特征的累计形成增强特征，映射到不同的子空间，丰富了特征的表达,从而提取出更具代表性的脑网络，有助于深入探索人脑活动的时间动力学规律。 (2)引入领域知识，与功能连接特征进行特征级融合，丰富了小样本医学数据集的特征表达，缓解过拟合问题的同时大幅度提升了实验分类的准确率。 (3)构建了整体框架( MAREM-CF)用于脑网络建模和分类，并在四个公开的竞赛数据集上进行实验。实验结果表明:在较大和较小数量的样本上均显示出更具竞争力的分类结果。同时，通过交叉数据集实验，我们验证了模型对不同站点数据也具有很强的泛化能力。此外，我们在原有的分类框架基础上引入领域知识构成新的框架( MAREM-CF+)并实现最先进的分类精度。最终，在对ADHD组的功能脑网络的分析中，我们确定了与多动症疾病密切相关的功能脑网络。
NETL