BrainOSM：用于多视图功能脑网络分析的异常值筛选方法

《Computational and Theoretical Chemistry》：BrainOSM: Outlier screening for multi-view functional brain network analysis

针对精神疾病诊断中功能脑网络（FBNs）的异质性和无关噪声问题，提出BrainOSM双阶段框架：第一阶段基于渐进不确定性筛选去除异常图；第二阶段结合多视图图聚合与先验子网络正则化优化图结构，在ABIDE和ADNI数据集上显著提升ASD和AD分类准确率与AUC，验证了去除噪声和筛选异常数据的重要性。

　　本研究聚焦于通过分析功能性脑网络（Functional Brain Networks, FBNs）来诊断精神类疾病，如自闭症谱系障碍（Autism Spectrum Disorder, ASD）和阿尔茨海默病（Alzheimer’s Disease, AD）。功能性脑网络是通过图结构来表示的，其节点代表不同的脑区，边则反映了这些脑区之间的功能连接模式。为了更好地理解和分类这些疾病，研究人员提出了一种名为BrainOSM的两阶段框架，该框架结合了异常图筛选和多视图图池化模块，以提升图分类的效果。

### 功能性脑网络与精神类疾病诊断

功能性脑网络的研究是当前神经科学和医学领域的一个重要方向。通过功能性磁共振成像（fMRI）等技术，科学家能够捕捉大脑不同区域之间的活动模式，从而构建出功能性脑网络的图结构。这种图结构不仅反映了大脑的连接方式，还可能揭示出某些精神类疾病的潜在特征。然而，功能性脑网络的数据具有高度的复杂性和异质性，这给其建模和分析带来了诸多挑战。

首先，功能性脑网络的异质性是其主要难点之一。这种异质性源于多个因素，包括不同研究机构之间使用的扫描设备和采集协议的差异，以及个体生理特征的多样性。例如，ABIDE（Autism Brain Imaging Data Exchange）数据集包含了来自多个研究站点的数据，每个站点的数据在信号长度、分辨率和图像对比度等方面存在差异。这些差异可能导致图结构的不一致，从而影响模型的泛化能力。为了应对这一问题，研究者提出了“异常图筛选”（outlier screening）的方法，旨在识别并去除那些与整体数据分布显著偏离的图，以减少模型对异常模式的依赖。

其次，功能性脑网络中可能包含与疾病无关的信息。这些信息可能来自于数据采集过程中的噪声，如血液氧合水平的波动、磁共振成像设备的磁场不稳定性、操作人员的技术差异，以及信号检测中的误差。这些噪声会增加图结构的复杂性，导致高维且密集连接的脑网络，从而使得识别关键连接变得困难。为了解决这一问题，研究者引入了“多视图图池化”（multi-view graph pooling）技术，通过调整图中边的保留比例，去除噪声边，同时保留与疾病相关的连接信息。这种方法不仅有助于减少图的维度，还能提高分类模型的鲁棒性和准确性。

### BrainOSM框架的设计与实现

BrainOSM框架分为两个主要阶段：异常图筛选和图结构学习。在第一阶段，研究者采用了一种基于不确定性估计的渐进式异常图筛选方法。该方法的核心思想是，在训练过程中评估每张图的不确定性，从而识别出那些可能对模型训练产生干扰的异常图。具体而言，研究者通过训练多个分类模型，并利用这些模型对图的预测结果来估计其不确定性。不确定性较高的图被标记为异常图，并在后续训练中被移除。这种方法能够有效减少模型对异常模式的依赖，从而提升其在正常数据上的表现。

在第二阶段，研究者引入了多视图图池化模块，以进一步优化图结构。该模块通过将功能性脑网络视为多个视图（views）的集合，利用不同阈值下的图结构来生成多视图表示。这些视图反映了脑网络的不同连接特征，从而提供了互补的信息。研究者还设计了“视图一致性正则化损失”（view consistency regularization loss）和“先验子网络结构正则化损失”（prior subnetwork structure regularization loss），以确保多视图图嵌入表示的一致性，并整合已知的子网络结构信息。这些正则化策略有助于模型在学习过程中保持结构的稳定性，同时增强对疾病相关连接的识别能力。

### 实验结果与分析

为了验证BrainOSM框架的有效性，研究者在两个公开数据集上进行了实验：ABIDE数据集和ADNI数据集。在ABIDE数据集上，BrainOSM方法达到了70.23%的平均准确率和70.42%的AUC值，相比传统的图卷积网络（Graph Convolutional Networks, GCNs）方法，分别提升了8.55%和7.74%。而在ADNI数据集上，BrainOSM方法的表现更为出色，平均准确率为82.29%，AUC值为83.23%，相较于GCNs方法，分别提高了8.97%和11.78%。这些结果表明，BrainOSM在处理异质性和噪声问题方面具有显著的优势。

此外，研究者还通过可视化分析进一步验证了模型的效果。他们发现，BrainOSM能够有效地识别与精神类疾病相关的子网络结构，这些子网络在临床解释中具有重要意义。通过移除与疾病无关的边，模型能够更清晰地捕捉到疾病相关的连接模式，从而提高诊断的准确性。这种能力对于临床应用尤为重要，因为它不仅能够帮助医生更好地理解疾病的机制，还可能为个性化治疗策略的制定提供依据。

### 框架的创新点与贡献

本研究的主要贡献体现在三个方面。首先，提出了一种两阶段框架，结合了异常图筛选和多视图图池化技术，以应对功能性脑网络的异质性和噪声问题。这种方法不仅能够提升分类模型的性能，还能增强其在不同数据集上的泛化能力。其次，研究者设计了一种基于任务特异性分类模型的渐进式不确定性估计方法，该方法能够更鲁棒地识别异常图，同时保持框架的灵活性，使其适用于其他领域的分类任务。最后，引入了多视图图池化方法，通过整合多视图信息和先验子网络结构，提高了图结构学习的效率和准确性。

### 研究的局限性与未来方向

尽管BrainOSM框架在实验中表现出色，但仍存在一些局限性。例如，异常图筛选依赖于一个关键的超参数K，即被筛选出的异常图比例。K的取值可能需要根据不同数据集进行调整，这在一定程度上增加了模型的调参难度。此外，多视图图池化过程中，如何选择合适的阈值来保留关键连接，仍然是一个需要进一步研究的问题。如果阈值设置不当，可能会导致重要连接信息的丢失，从而影响分类性能。

针对这些局限性，研究者提出了若干未来研究方向。首先，可以探索更自适应的异常图筛选方法，减少对超参数K的依赖，提高模型的鲁棒性。其次，可以尝试引入更精细的边重要性评估机制，以区分不同边在图结构中的作用，从而更有效地去除噪声边。此外，研究者还建议结合更多领域知识，如已知的神经网络结构或疾病相关的生物标记物，以进一步提升模型的解释性和临床适用性。

### 临床应用与意义

功能性脑网络的分析在精神类疾病的诊断和治疗中具有重要的临床意义。通过识别与疾病相关的子网络结构，医生可以更深入地理解疾病的机制，并据此制定更有效的干预措施。此外，BrainOSM框架在处理异质性和噪声问题方面的优势，使其在实际应用中更具可行性。例如，在多中心研究中，由于不同机构的数据可能存在较大的差异，传统的图分类方法可能会受到这些差异的影响，而BrainOSM通过异常图筛选和多视图图池化，能够有效减少这种影响，提高模型的泛化能力。

值得注意的是，BrainOSM框架不仅适用于精神类疾病的诊断，还可以推广到其他领域的图分类任务。例如，在生物医学研究中，功能性脑网络的分析可以与其他类型的生物数据（如基因表达数据、代谢数据等）相结合，以揭示疾病相关的多模态特征。此外，在社会网络分析、推荐系统和自然语言处理等领域，图结构的异质性和噪声问题同样存在，因此BrainOSM的方法可能具有更广泛的应用前景。

### 研究方法的可扩展性

BrainOSM框架的设计体现了高度的可扩展性。首先，其两阶段结构能够灵活适应不同的数据集和任务需求。在第一阶段，异常图筛选可以独立于具体的分类任务，适用于多种类型的图数据。而在第二阶段，多视图图池化模块则可以根据不同的任务需求进行调整，例如在某些情况下，可以采用更精细的阈值策略，或者引入不同的正则化损失函数。其次，该框架能够与其他深度学习技术相结合，例如在图结构学习过程中，可以引入注意力机制或图神经网络（Graph Neural Networks, GNNs）来进一步提升模型的性能。

此外，BrainOSM框架还强调了对模型可解释性的重视。在精神类疾病的诊断中，模型不仅需要具备较高的分类准确率，还需要能够提供清晰的临床解释。通过整合先验子网络结构信息，BrainOSM能够在分类过程中保留重要的生物标记物，从而增强模型的可解释性。这种特性对于临床应用尤为重要，因为它能够帮助医生理解模型的决策依据，提高其对疾病诊断的信心。

### 数据与伦理声明

本研究使用的数据来自两个公开的神经影像数据集：ABIDE和ADNI。这些数据已经过充分的匿名化处理，确保了研究的伦理合规性。由于本研究仅涉及对已匿名化数据的回顾性分析，且未涉及任何敏感信息或与受试者直接互动，因此无需额外的伦理审批。此外，研究者还声明，他们没有已知的与本研究相关的竞争性利益关系，确保了研究的客观性和公正性。

### 总结与展望

综上所述，BrainOSM框架为功能性脑网络的分析提供了一种新的解决方案。通过结合异常图筛选和多视图图池化技术，该框架能够有效应对功能性脑网络的异质性和噪声问题，从而提升分类模型的性能。实验结果表明，BrainOSM在ASD和AD的诊断任务中表现优异，不仅在准确率和AUC值上优于现有方法，还能够识别出与疾病相关的子网络结构，为临床应用提供了重要的支持。

未来的研究可以进一步探索BrainOSM框架在其他精神类疾病中的应用，例如抑郁症、精神分裂症等。此外，还可以尝试将该框架与其他生物医学数据相结合，以实现更全面的疾病诊断。随着深度学习技术的不断发展，功能性脑网络的分析方法将不断完善，为精神类疾病的早期诊断和个性化治疗提供更有力的支持。