引用本文

刘子凡, 孙道清, 赵善辉, 朱赛赛, 陈付龙. 基于功能脑网络和图特征学习的ADHD分类模型. 自动化学报, 2025, 51(7): 1651−1661 doi: 10.16383/j.aas.c240337

Liu Zi-Fan, Sun Dao-Qing, Zhao Shan-Hui, Zhu Sai-Sai, Chen Fu-Long. ADHD classification model based on functional brain network and graph feature learning. Acta Automatica Sinica, 2025, 51(7): 1651−1661 doi: 10.16383/j.aas.c240337

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c240337

关键词

功能脑网络，图模型，注意力，注意力缺陷多动障碍 

摘要

功能脑网络(FBN)在精神障碍诊断中广泛应用, 但传统构建方法缺乏与下游任务的互动性, 限制了模型性能; 且图神经网络多层堆叠易导致节点特征过度平滑难以提取深层特征. 为此, 提出端到端的自适应聚合功能网络模型, 通过大脑感兴趣区域(ROI)感知汇聚层, 利用自注意力机制动态构建FBN并学习节点特征, 增强了模型与子任务的交互能力. 同时引入节点池化机制筛选显著ROI, 进而推断出对于子任务较为重要的ROI. 该方法应用于注意力缺陷多动障碍(ADHD)的分类实验中, 实验结果表明该方法提高了ADHD的分类准确率, 对实验结果的解释性分析也验证了该方法的有效性.

文章导读

注意力缺陷多动障碍(Attention deficit hyperactivity disorder, ADHD)是儿童时期常见的精神障碍疾病, 其特征包含注意力缺失、多动以及冲动行为[1−2]. 据估计, ADHD的患病率通常在3%到5%之间, 男女比例约为四比一. 这种精神障碍疾病影响着全球约3.66亿人口, 占全球人口的约5%. 在一些国家, 患病率甚至可以达到10%[3]. 研究表明, 如果未能及时治疗, ADHD症状可能持续至成年, 影响日常行为[4]. 然而, 尽管神经科学发展迅速, 但由于ADHD的发病机制仍不明确, 其诊断主要依赖于医生的主观评估, 包括使用量表、精神障碍疾病诊断和统计手册, 缺乏客观的诊断方法. 因此ADHD患者的早期诊断仍具有挑战性.

近年来, 功能性磁共振成像(Functional magnetic resonance imaging, fMRI)因其无创性、无辐射性和相对经济的优势, 被广泛应用于研究脑功能和相关医学领域, 成为识别ADHD的关键生物标志物之一[5]. fMRI通过测量血氧水平依赖(Blood oxygen level-dependent, BOLD)信号间接反映大脑活动, 该信号反映大脑血液中氧含量的变化, 揭示大脑中的神经活动, 这些神经活动进而反映了大脑中不同区域之间的连接模式. 最新研究认为这些神经活动所反映的大脑不同区域之间的连接模式, 在认知过程中起着关键作用[6]. 因此, 对大脑连接模式进行分析, 可为ADHD诊断、特征分析及疾病预测提供有效途径. 通过将大脑分割为不同的大脑感兴趣区域(Region-of-interest, ROI)[7−8], 将ROI内的fMRI时间序列取均值, 作为ROI的神经活动时间序列, 并评估这些时间序列之间的相关性来构建功能脑网络(Functional brain network, FBN). FBN可以反映不同脑区固有功能之间的相互作用, 进而发现ADHD患者脑部呈现的异常模式. 因此, 研究这些FBN可以更好地了解早期ADHD分类特征, 有助于研究其发病机制, 提供关键的诊断信息. 例如, Riaz等[9]通过独立成分分析(Independent component analysis, ICA)构建FBN, 识别ADHD与健康对照组(Healthy control, HC)在脑功能连接中的特征和模式差异. Dai等[10]则通过计算不同ROI时序特征的皮尔逊相关系数(Pearson correlation coefficient, PCC)来构建FBN, 将其与结构磁共振图像特征一同输入模型, 并由支持向量机区分ADHD与HC. 这些方法都取得良好的效果. 然而, 随着研究的深入, 越来越多的证据表明传统基于数据驱动计算ROI之间共变模式建立的FBN, 与后续子任务之间缺乏互动性和适应性, 其性能不是最佳的[11]. Riaz等[5]建立端到端的模型DeepFMRI, 通过模型分析ROI时间序列来构建FBN, 交由多层感知机(Multi-layer perceptron, MLP)构成的分类器区分ADHD与HC. 然而, DeepFMRI模型未采用图神经网络学习FBN中的拓扑结构及节点间复杂的依赖关系, 未能发挥图神经网络在捕捉和建模图拓扑信息的优势, 限制了模型性能的进一步提升. 本文介绍FBN和图神经网络在学习脑拓扑信息提取图级特征相关的应用, 旨在解决如何由模型自学习建立与子任务具有交互且相适应的FBN, 并依据此FBN学习大脑拓扑信息获取图级特征, 从而解决ADHD分类的问题. 提出自适应聚合功能网络(Adaptive aggregated functional network, AAFN), 一种端到端的ADHD分类模型, 该模型包含ROI感知汇聚模块, 通过模型自学习不同ROI时间序列的相关性来构建FBN, 并将其作为ROI之间的边, 以汇聚的方式学习大脑中的拓扑信息. 此外, 在AAFN中引入节点池化机制筛选出与子任务密切相关的显著节点, 并可视化节点池化机制筛选出的显著节点.

图 1  AAFN结构示意图

图 2  ROI 节点嵌入层示意图

图 3  ROI感知汇聚池化层结构示意图

本文提出一种端到端的神经网络AAFN模型, AAFN将ROI时间序列作为输入, 由模型动态构建与子任务衔接紧密的FBN, 并基于图特征传播机制提取深层拓扑特征. 在ADHD-200的四个数据集上进行ADHD分类. 凭借模型自学习构建的FBN, 使AAFN对ADHD的分类性能优于其他方法, 对结果进一步分析表明, 引入池化层可以筛选出对分类贡献显著的ROI, 抑制冗余信息干扰, 提升了模型的可解释性. 实验结果表明该模型在分类上表现出较好的准确性, 并通过可视化模型构建的FBN, 揭示了与分类任务紧密衔接的FBN能够更好地捕捉不同类别间的差异, 从而提升模型性能. 未来研究将探索动态FBN建模, 通过滑动时间窗口分析功能连接的时变特性, 以进一步捕捉ADHD相关的神经活动动态异常.

作者简介

刘子凡

安徽师范大学计算机与信息学院硕士研究生. 主要研究方向为深度学习, 医学图像分析与处理和特征工程. E-mail: liuzf@ahnu.edu.cn

孙道清

安徽师范大学计算机与信息学院副教授. 主要研究方向为计算智能, 图像处理, 深度学习和普适计算. 本文通信作者. E-mail: 15855969300@163.com

赵善辉

安徽师范大学计算机与信息学院硕士研究生. 主要研究方向为计算智能, 图像处理, 多模态数据可视化, 深度学习和机器学习. E-mail: zhaoshanhui@ahnu.edu.cn

朱赛赛

安徽师范大学计算机与信息学院硕士研究生. 主要研究方向为计算智能, 图像处理, 深度学习和机器学习. E-mail: zhuss@ahnu.edu.cn

陈付龙

安徽师范大学计算机与信息学院教授. 主要研究方向为信息物理融合系统及安全和深度学习. E-mail: long005@ahnu.edu.cn