《CNS Neuroscience & Therapeutics》：Identification of Major Depressive Disorder Using Multiple Functional Connection Patterns
编辑推荐：
背景：重度抑郁症（Major Depressive Disorder, MDD）对全球心理健康构成重大挑战，凸显了开发有效诊断工具以实现早期准确检测的迫切需求。静息态功能磁共振成像（Resting-state functional Magnetic Reson
背景：重度抑郁症（Major Depressive Disorder, MDD）对全球心理健康构成重大挑战，凸显了开发有效诊断工具以实现早期准确检测的迫切需求。静息态功能磁共振成像（Resting-state functional Magnetic Resonance Imaging, rs-fMRI）通过功能连接网络（Functional Connectivity Networks, FCNs）在评估MDD方面受到广泛关注。图卷积网络（Graph Convolutional Networks, GCNs）通过捕捉复杂的脑区间连接模式，推进了FCN分析，但现有基于GCNs的方法主要关注单一连接模式，忽略了不同连接特征中编码的多方面信息。
方法：研究人员提出一种多重功能连接模式图卷积网络（Multiple Functional Connection Patterns Graph Convolutional Network, MFCP），该框架整合了三种独特的连接模式——稀疏表示（Sparse Representation, SR）、皮尔逊相关（Pearson Correlation, PC）和格兰杰因果映射（Granger Causality Mapping, GCM）——以利用其互补信息。所提框架采用多个图卷积模块来整合多样的连接性信息，从而增强从FCNs中提取与MDD相关的诊断特征。研究人员在REST-MDD数据集的Site 20（包含533名受试者）上进行了初步实验，以评估所提出的MFCP。
结果：MFCP框架取得了优越的诊断性能，准确率为87.74%，精确率为86.21%，召回率为90.91%，F1分数为88.50%，受试者工作特征曲线下面积（Area Under the ROC curve, AUC）为0.9326。对比分析表明，整合三种连接模式显著优于单模式方法（准确率范围：72.64%–81.13%）和双模式组合（准确率范围：77.36%–83.02%）。t-分布随机邻域嵌入（t-Distributed Stochastic Neighbor Embedding, t-SNE）可视化证实，随着模式整合的增加，类别可分性得到增强。梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）分析则在不同连接模式下识别出不同的判别性脑区。
结论：所提出的MFCP框架有效整合了多种功能连接模式以增强诊断特征提取，在MDD识别中展现出强大效力。这些发现表明，通过多模式整合利用互补的连接信息，是改进基于rs-fMRI功能连接分析的自动化MDD诊断的一条有前景的途径。
重度抑郁症（Major Depressive Disorder, MDD）是一种严重的疾病，其特征是持续的悲伤情绪、兴趣缺乏、思维困难以及睡眠或食欲改变等躯体症状。作为全球致残和致病的主要原因，MDD影响着全球约10%的人口。临床诊断的精确性不足，使得临床医生难以在早期准确识别和治疗这些情绪障碍。因此，迫切需要探索和开发能够辅助情绪障碍早期诊断和鉴别诊断的转化生物标志物。利用先进的机器学习技术来识别此类生物标志物，有望转变诊断流程并改善患者预后。
当前，深度学习方法与功能性磁共振成像（functional Magnetic Resonance Imaging, fMRI）的融合已成为诊断MDD的有力工具，推动了心理健康领域的精准医疗。然而，仅依赖fMRI数据可能不足，因为受试者间存在脑活动变异性及时间差异。静息态fMRI（resting-state fMRI, rs-fMRI）无需受试者执行特定任务，可以消除任务相关变量，并提供大脑静息状态下的功能连接图，从而提升MDD诊断的准确性。基于rs-fMRI构建功能连接网络（Functional Connectivity Networks, FCNs）为脑疾病分类提供了新视野，每个感兴趣区域（Region of Interest, ROI）作为关键节点，连接强度作为关键边。图卷积网络（Graph Convolutional Networks, GCNs）作为一种高效的深度学习方法，能够以数据为中心的方式学习图表示，自动从脑网络中提取内在的节点特征并解码其间的复杂拓扑连接。然而，以往研究主要关注FCNs内来自单一连接模式的同步拓扑特征和连接权重，这未能揭示不同连接模式所能提供的全部互补性洞见。
为解决此局限性，研究人员引入了一种新的基于rs-fMRI的MDD诊断方法——多重功能连接模式图卷积网络（Multiple Functional Connection Patterns Graph Convolutional Network, MFCP）。该方法首先为每位受试者构建多个连接图，每个图封装一个独特的FCN。大脑通过自动解剖标记（Automated Anatomical Labeling, AAL）图谱被划分为116个不同的ROI，并随后通过三种互补技术构建脑网络：皮尔逊相关（Pearson’s Correlation, PC）、稀疏表示（Sparse Representation, SR）和格兰杰因果映射（Granger Causality Mapping, GCM）。PC捕捉区域间同步的共波动；SR强调稀疏的条件依赖性以减少间接或噪声连接；GCM则表征具有时间优先性的方向性有效交互作用。这些模式因此提供了关于脑连接的互补信息。随后，研究人员采用并行的GCN模块从每个模式中学习图表示，因为GCNs非常适合通过聚合拓扑邻域信息来利用FCNs的内在图结构。得到的多模式特征随后通过三个全连接层进行精炼，基于最后一层的输出进行诊断。为验证MFCP方法的有效性，研究人员分析了来自REST-MDD数据集中533名个体的rs-fMRI扫描数据。对比分析表明，整合多种连接模式显著优于单模式方法，通过MFCP方法显著提高了MDD诊断的精确度。
该研究的开展基于以下背景：目前MDD的临床诊断主要依赖量表和访谈，缺乏客观、精准的生物标志物。现有基于深度学习的研究，尤其是使用GCNs分析FCNs的方法，往往局限于单一的连接模式（如PC），无法全面捕捉脑网络的多维复杂信息。这限制了模型的诊断性能和生物学可解释性。因此，本研究旨在整合多种互补的功能连接模式信息，利用图卷积网络进行特征融合与学习，以构建一个更强大、更鲁棒的MDD自动诊断模型，从而推动基于神经影像的客观辅助诊断技术发展。
为开展这项研究，研究人员主要运用了以下关键技术方法：首先，利用AAL图谱对rs-fMRI数据进行脑区划分与信号提取；其次，构建基于PC、SR和GCM三种不同数学原理的脑功能连接矩阵，分别代表同步性、稀疏条件依赖性和方向性因果关系；接着，设计并实现了包含三个并行GCN分支的MFCP网络框架，每个分支处理一种连接模式的图数据，并通过图卷积与池化操作提取图级别特征；最后，将多模式特征进行拼接，并通过全连接层实现端到端的分类诊断。研究数据来源于公开的REST-MDD数据集，主要使用Site 20（533名受试者）进行模型训练与内部验证，并使用Site 21进行跨中心泛化性验证。
研究结果部分如下：
在站点20数据集上的实验表明，MFCP框架在各项诊断性能指标上均达到了最优水平，准确率、精确率、召回率、F1分数和AUC分别达到87.74%、86.21%、90.91%、88.50%和0.9326。消融实验显示，任何单模式或双模式组合的性能均显著低于整合三种模式的MFCP，证明了多模式融合策略的有效性。t-SNE可视化结果显示，随着整合连接模式数量的增加，MDD患者与正常对照组（Normal Controls, NC）在特征空间中的分离度逐渐增强，证实了多模式信息能提升类别判别性。
在跨中心验证中，将Site 20上训练好的模型直接应用于独立的Site 21数据集，MFCP取得了约64%的准确率。尽管与一些先进的领域自适应方法相比具有可比性，但性能仍存在下降，这表明跨中心数据的域偏移仍是挑战。Grad-CAM分析可视化了不同连接模式下最具判别性的脑区，结果显示PC模式主要突出感觉运动和默认模式网络区域，SR模式强调边缘系统结构和听觉皮层，GCM模式则揭示了视觉联合和突显网络区域。这些发现与已知的MDD病理机制中涉及默认模式网络、边缘系统和突显网络的交互紊乱相一致。此外，敏感性分析探讨了稀疏表示中正则化参数λ以及各种FCN构建时阈值设置对模型性能的影响。
论文的讨论部分总结如下：研究人员提出的MFCP框架通过整合PC、SR和GCM三种连接模式，成功提升了MDD的诊断准确率，证明了多视角策略对于捕捉MDD病理生理多面性的重要性。严格的内部交叉验证与跨中心验证评估了模型的稳定性和泛化潜力。Grad-CAM分析为MFCP的决策提供了神经生物学基础，揭示了不同模式强调了互补的脑区，这些脑区与MDD的病理环路相符。尽管性能优越，但研究仍存在局限性，包括跨中心精度下降表明域偏移问题仍需解决，以及简单的特征拼接融合策略可能并非最优。未来工作将聚焦于集成先进的领域泛化技术，并探索更自适应的特征融合机制以提升临床适用性。
研究结论部分（已翻译）如下：研究人员提出MFCP用于自动化MDD诊断，整合了皮尔逊相关、稀疏表示和格兰杰因果来捕捉脑连接的互补方面。在REST-MDD数据集Site 20的533名受试者上评估，MFCP取得了87.74%的准确率和0.9326的AUC，显著优于单模式方法。此外，5折交叉验证证实了模型的稳定性，而跨中心验证则证明了与现有领域自适应技术相比具有竞争力的泛化能力。Grad-CAM分析揭示，MFCP识别出具有神经生物学意义的模式，强调了默认模式网络、边缘系统和突显网络——这些在MDD病理生理中持续被关联的脑区。这种多模式方法提供了单个方法无法实现的跨网络表征，兼具高分类性能和临床可解释性。虽然跨中心性能表明仍存在域偏移挑战，但MFCP为基于rs-fMRI的MDD识别提供了一个有前景的框架。未来工作将整合先进的领域泛化技术以增强临床部署能力。
