基于生成对抗优化的灰质萎缩反事实轨迹预测方法及其在多发性硬化症研究中的应用

《Computer Methods and Programs in Biomedicine》：A generative adversarial optimization strategy for predicting counterfactual trajectories of grey matter atrophy

本文提出了一种创新的生成对抗优化策略（ADOPT框架），通过利用预训练多发性硬化症（MS）分类器的梯度引导，生成解剖学合理的灰质（GM）厚度反事实轨迹。该方法在保持混淆变量（如年龄、性别）不变的前提下，有效解耦疾病相关信号，在测试集上达到AUC 0.893的优异性能，为神经影像生物标志物发现和疾病机制解释提供了新范式。

　　

Highlight

反事实解释作为理解复杂系统决策过程的重要技术，通过生成假设性场景揭示模型行为机制。在生物医学领域（如多发性硬化症神经影像），该方法能突破观测数据局限，为疾病机制研究和治疗效应评估提供全新视角。

Assessment of factual predictions

本节汇报了三个深度学习模型（?_ms、?_age 和 ?_sex）的预测性能。这些模型在引导反事实生成过程中发挥核心作用，其梯度直接优化反事实轨迹的生成方向。模型优异的预测能力确保了生成过程能精准聚焦于输入空间的关键区域，同时满足第1.9节定义的解剖约束条件。

Conclusions

反事实解释是理解复杂系统和挖掘数据驱动方法价值的新兴研究方向。本研究创新性地提出了针对多发性硬化症患者和健康受试者灰质皮质厚度体积特征的反事实轨迹优化生成策略。该方法通过预训练MS分类器的梯度引导生成过程，在保持解剖合理性的同时，显著提升了模型决策的可解释性。