多模态融合图神经网络在抑郁症客观定量诊疗领域取得新进展
2024年11月4日，上海交通大学生物医学工程学院金成教授团队及首都医科大学附属北京安定医院王刚教授团队在《Patterns》上发表了题为“An objective quantitative diagnosis of depression using a local-to-global multimodal fusion graph neural network”的研究论文。该研究使用局部-全局多模态融合图神经网络（LGMF-GNN）来应对抑郁症客观定量诊断的挑战。
研究背景
抑郁症（Major Depressive Disorder, MDD）对全球精神健康构成了多方面的挑战，其病因复杂，疾病发生发展涉及社会、心理和生物等多种因素。此外，该疾病目前缺乏明确的诊断标志物，医生临床诊断决策存在主观性强、误诊率高等问题。基于人工智能（AI）及数据驱动的诊断方法有望为该疾病提供更全面和客观的评价。然而，一方面，当前的AI方法往往忽视了脑功能、脑结构和人口统计因素之间复杂的相互作用，这些因素从多个方面对MDD患者的特征进行刻画；另一方面，当前方法很少整合来自细粒度的大脑区域分析和广泛的人口层面关联的见解，未能充分考虑症状学诊断和流行病学诊断两种医学诊断基本范式。此外，当前缺乏能够有效解释AI模型和识别诊断标记物的策略。因此，迫切需要改进网络架构、开发有效的多模态融合策略以及增强模型的可解释性。
工作介绍
本研究开发了一个基于局部-全局多模态融合图神经网络（Local-to-Global Multimodal Fusion Graph Neural Network, LGMF-GNN）的人工智能系统，该系统整合个体脑区视角和广泛人群视角，综合利用功能性MRI、结构性MRI和电子健康记录等多模态数据，促进了抑郁症的客观定量诊断。
图1 基于LGMF-GNN的抑郁症客观定量诊断系统
局部ROI-GNN将个体脑部感兴趣区域作为图节点，以ROI BOLD信号为输入，通过bi-GRU捕获脑信号中的时序特征，进一步构建可学习的脑功能连接矩阵，在训练中优化图结构，为每个受试者生成脑功能图级嵌入。全局Subject-GNN将受试者作为图节点，基于功能性MRI、结构性MRI和电子健康记录多模态数据构建功能特征、结构特征和人口学特征三个群体图。模态特异图卷积模块（MS-GCN Block）用于在各个模态的群体图中提取模态独有的特征；模态公共图卷积模块（MC-GCN Block）用于提取三个模态共有的特征；M-Attention Block采用注意力机制对三个模态独有特征以及一个模态共有特征进行高效融合。
图2 LGMF-GNN与其他方法的对比
该研究在来自中国、日本和俄罗斯24个机构的1,182名健康对照组和1,260名MDD患者的队列中进行了模型构建及测试，取得了78.75%的分类准确率、80.64%的受试者工作特征曲线下面积（AUROC），并能够有效区分MDD亚型。对比实验显示， LGMF-GNN在MDD诊断中表现出最佳性能。相较于SOTA方法，LGMF-GNN在SRPBS数据集中实现了至少3.65%的ACC提升和5.39%的AUROC提升；在REST-meta-MDD数据集上实现了至少4.20%的ACC提升和5.18%的AUROC提升。相比之下，其他方法受站点效应（site effect）的影响较大，无法准确分类，ACC徘徊在70%左右。除MAMF-GCN外，其他对比方法的AUROC均小于75%。
图3 通过可学习功能连接矩阵发现的MDD患者的异常功能连接及脑区
此外，通过模型可解释，该研究进一步发现了MDD中不同的脑连接模式，包括左侧直回与右侧小脑叶VIIB之间的功能连接减弱，以及左侧Roland operculum与右侧海马之间的连接增加。从解剖学特征分析，研究发现MDD与脑灰白质界面的厚度变化相关。
关于本文
该项工作是上海交通大学生物医学工程学院金成团队、首都医科大学附属安定医院王刚团队和上海人工智能实验室王延峰团队的合作成果。上海交通大学生物医学工程学院博士生刘抒予，首都医科大学附属安定医院周晶晶、朱雪泉为本文的共同第一作者。该研究工作得到科技创新2030-重大项目(2021ZD0200600)项目的资助。
原文链接
https://www.sciencedirect.com/science/article/pii/S266638992400240X