摘要
重度抑郁障碍（MDD）是一种以认知障碍和自杀倾向为特征的常见精神障碍，对患者的生活造成了严重影响。多年的密集神经生物学研究对MDD病理生理学的了解仍然有限，主要反映在异质性疾病概念和治疗的中度效果。本研究以承载病理特征的静息态功能性磁共振成像（rs-fMRI）而衍生的功能连接（FC）网络为对象，研究了不同层次网络和多层网络信息融合在智能诊断MDD中的识别诊断影响。通过分析 MDD大脑 FC网络的空间模式与拓扑结构，致力于为 MDD的客观诊断提供鉴别信息，并设计了分层学习模型——多视图图神经网络（MV-GNN），以更有效地识别MDD患者。论文的主要研究内容和结论如下： (1) 多层次FC网络在MDD智能识别中的研究。获取来自10个站点的1160名被试样本，首先对样本构建三个不同层次的网络：基于皮尔逊相关的传统低阶网络（LOFC）、基于地形轮廓相似性的高阶网络（tHOFC）和上述两种网络之间的关联功能连接网络（aHOFC）；其次采用两样本 t 检验筛选不同层次的网络与三种网络的融合特征，采用域对抗神经网络（DANN）、极限梯度增强（XGBoost）和支持向量机（SVM）模型学习特征和识别 MDD。最后用留一站点交叉验证法（LOSCV）评估分类器性能，结果表明LOFC的分类能力在不同模型下均优于tHOFC与aHOFC，融合其他层次网络信息未能提升对MDD患者的识别效果。 (2) LOFC 空间模式网络在 MDD 智能识别中的研究。针对从高维度与低信噪比的 rs-fMRI成像信号衍生的 LOFC，提出了一种双重留一站点内嵌循环交叉选择特征方法，用 SVM 模型学习筛选特征，最优识别准确率为 62.64±5.44%。LOSCV法测试模型，证明了方法有效性。最后用 SHAP 模型分析 LOFC 的特征重要性，表明MDD患者在小脑、默认模式和视觉网络中的脑功能连通性存在多数异常。 (3) LOFC 网络拓扑属性的统计与 ROC 分析。以图论方法分析 LOFC 的拓扑属性值，结果表明 MDD 患者的小世界性、聚类系数和最短路径长度显著性降低（p＜0.05）。用ROC法分析协同LOFC网络节点拓扑属性的差异性，表明脑区节点的聚类系数与局部效率在小脑、默认模式与视觉网络中存在多数异常。 (4) 用于智能识别 MDD 患者的模型研究。提出了一种分层学习模型——MV-GNN，旨在学习和整合空间模式与拓扑结构下的 LOFC 信息。针对大脑网络的拓扑结构特征，同时考虑网络结构中的节点贡献与拓扑结构贡献，定义了图卷积算法学习大脑的图拓扑信息，并用自注意力图池化方法关注到脑网络中更高效的节点信息，以此表征 MV-GNN 的拓扑视图。提出双重留一站点内嵌交叉循环特征选择方法提取高效的LOFC，以此构建 MV-GNN的空间模式视图。MV-GNN模型通过门控机制对不同视图的信息实现特征编码自适应融合，以LOSCV法对其性能进行测试，该模型对MDD患者的平均识别准确率为65.61±4.27%，结果优于基线模型。
NETL