基于增强的无监督跨领域功能性磁共振成像适应方法，用于识别重度抑郁症

《Biomedical Signal Processing and Control》：Augmentation-based unsupervised cross-domain functional MRI adaptation for major depressive disorder identification

跨站点fMRI数据异质性降低与MDD诊断框架研究。提出AUFA框架，通过Transformer编码器结合空间注意力机制提取特征，引入最大均值差约束实现跨域特征对齐，并采用数据增强防止过拟合，实验表明在1089名受试者上优于现有方法，有效降低站点间数据分布差异并定位抑郁症相关功能连接异常。

　　抑郁症是一种常见的精神疾病，其特征是持续的情绪低落和认知功能受损，严重影响患者的日常生活和工作能力。目前，抑郁症的诊断主要依赖于临床症状评估和心理量表，这些方法往往存在主观性，可能导致误诊。因此，开发一种客观且可靠的辅助诊断工具对于提高诊断的准确性至关重要。随着神经影像技术和电生理方法的进步，静息态功能性磁共振成像（rs-fMRI）和脑电图（EEG）已被广泛应用于抑郁症的识别。其中，rs-fMRI因其高空间分辨率，能够更精确地定位异常脑区活动，从而在揭示脑疾病神经机制方面具有独特优势。

传统的机器学习方法通常依赖于基于rs-fMRI数据构建的功能连接网络（FCNs）来提取人工设计的特征，用于脑疾病的检测。然而，这些方法依赖于研究人员对FCNs的先验知识，且浅层特征在分类任务中表现不佳。随着深度学习的发展，越来越多的研究采用图神经网络（GNN）来自动提取rs-fMRI时间序列的高阶特征表示，以实现抑郁症的自动诊断。例如，Li等人通过学习基于rs-fMRI数据构建的脑功能连接的拓扑特征，并利用图神经网络（GNN）识别抑郁症。Jun等人则将rs-fMRI中的有效连接特征与非影像表型特征相结合，训练图卷积网络（GCN）以检测抑郁症。然而，这些方法通常仅使用单一来源的rs-fMRI数据进行实验，无法保证模型的泛化能力。

多站点rs-fMRI数据为基于学习的方法提供了更多的数据用于训练可靠的模型。然而，不同站点获取的rs-fMRI数据往往表现出显著的异质性，这主要源于设备差异和数据采集条件的变化。这种异质性给脑疾病的诊断带来了挑战，因为模型在面对不同站点的数据时可能无法准确泛化。因此，领域适应（domain adaptation）技术被引入，以减少不同领域之间的分布差异。然而，当源域和目标域之间的差异较大，且rs-fMRI数据集规模有限时，模型容易过度拟合源域数据，从而影响其在目标域中的表现。也就是说，模型在捕捉源域特征时过于细致，忽略了普遍规律的泛化能力。更多的目标域样本可以帮助模型学习更丰富的数据分布，从而减少对源域特征的依赖，提高其在目标域中的适应能力。

为了应对这一问题，本文提出了一种新的基于数据增强的无监督跨域rs-fMRI适应框架（AUFA），用于抑郁症的自动诊断。该框架包含四个主要模块：（1）图表示学习模块，用于提取带有空间注意力的rs-fMRI特征；（2）领域适应模块，用于对齐源域和目标域的特征；（3）基于数据增强的自优化模块，用于缓解模型在源域中的过拟合问题，提高其在目标域中的泛化能力；（4）分类模块。通过在1089名受试者的rs-fMRI数据上进行实验，结果表明AUFA在抑郁症识别任务中优于几种先进的方法。

AUFA的主要贡献可以概括为以下几点：首先，提出了一种新颖的基于数据增强的无监督跨域rs-fMRI适应框架，用于抑郁症的自动诊断。其次，引入了最大均值差异约束，以对齐不同站点的rs-fMRI特征，从而显著减少源域和目标域之间的数据分布差异。第三，基于数据增强的自优化模块有助于防止模型在源域中的过拟合，提高其在目标域中的泛化能力。第四，AUFA能够有效捕捉不同感兴趣区域（ROIs）之间的注意力关系，从而自动学习rs-fMRI特征并获得具有判别性的功能连接。最后，跨域疾病检测实验在五个不同的rs-fMRI成像站点上展示了该方法的优越性。

本文的其余部分结构如下。第二部分简要回顾了相关研究。第三部分介绍了数据采集和预处理方法。第四部分详细描述了所提出的AUFA框架。第五部分描述了实验设置、比较方法和实验结果。第六部分讨论了AUFA框架的主要组成部分，并列出了当前研究的一些局限性。第七部分对全文进行了总结。

在基于学习的rs-fMRI分析方法中，深度学习作为一种强大的机器学习方法，已被广泛应用于rs-fMRI数据的处理。深度学习模型在处理高维、非线性和复杂rs-fMRI数据方面表现出色，相较于传统机器学习方法，具有更好的建模能力和泛化性能。图神经网络作为一类专门用于处理图数据的深度学习算法，也被广泛应用于基于rs-fMRI数据的功能连接网络分析。图神经网络能够捕捉不同脑区之间的交互关系，从而获得更具判别性和鲁棒性的图级表示。

为了实现这一目标，本文采用了一种基于数据增强的无监督跨域rs-fMRI适应框架（AUFA）。该框架首先构建源域和目标域受试者的功能连接网络（FCNs），然后利用Transformer编码器学习带有空间注意力的rs-fMRI特征。同时，引入最大均值差异约束，以对齐源域和目标域的rs-fMRI特征，促使Transformer编码器学习跨域共享的特征。此外，为了提高模型在目标域中的泛化能力，本文通过增强目标域数据来防止模型在源域中的过拟合。实验结果表明，AUFA在多个跨域rs-fMRI预测任务中表现优异，能够有效减少不同站点rs-fMRI数据之间的分布差异，提高模型的泛化能力。

在数据采集方面，本文使用了REST-meta-MDD联盟中前五大成像站点的rs-fMRI数据，包括SITE 20、SITE 21、SITE 25、SITE 1和SITE 9。共有1089名受试者参与了本研究，其中581名是抑郁症患者，508名是正常对照组（NCs）。SITE 20、SITE 21和SITE 1的数据是通过Siemens Verio 3T设备采集的，参数设置为回波时间（TE）和重复时间（TR）分别为30毫秒和2000毫秒，翻转角为90度。特别地，这些数据的采集条件在不同站点之间可能存在差异，从而导致数据的异质性。

在问题建模方面，本文关注于利用跨域rs-fMRI数据进行抑郁症的识别任务，旨在解决一个有趣且具有现实意义但又具有挑战性的无监督领域适应问题。具体而言，该问题要求利用源域的知识来预测完全未标记的目标域数据。首先，本文引入了一些将在本研究中使用的符号。设$X^d$为输入空间（基于rs-fMRI数据构建的图），$Y^d$为目标空间（标签空间），其中$d$表示域的标识，可以是源域或目标域。通过构建这样的模型，本文希望减少不同站点rs-fMRI数据之间的分布差异，并缓解模型在源域中的过拟合问题。

为了深入探讨AUFA框架的有效性，本文设计了三组实验，以进一步分析每个子模块的作用。第一组实验中，使用与AUFA相同的骨干网络进行特征提取，但不进行任何领域适应和数据增强操作，仅保留分类损失（$L_C$），即AUFA-C。第二组实验中，移除了AUFA框架中的领域适应模块，仅保留分类损失（$L_C$）和增强损失（$L_A$），即AUFA-AUG。第三组实验中，不进行目标域数据增强，仅保留分类损失（$L_C$）。通过比较这些不同配置下的实验结果，本文验证了各个子模块对模型性能的贡献。

实验结果表明，AUFA框架在多个跨域rs-fMRI预测任务中表现优异，能够有效减少不同站点rs-fMRI数据之间的分布差异，提高模型的泛化能力。通过引入最大均值差异约束，AUFA能够对齐源域和目标域的特征，从而促进模型学习跨域共享的特征。此外，基于数据增强的自优化模块有助于防止模型在源域中的过拟合，提高其在目标域中的泛化能力。最后，AUFA能够有效捕捉不同感兴趣区域（ROIs）之间的注意力关系，从而自动学习rs-fMRI特征并获得具有判别性的功能连接。

综上所述，本文提出了一种新的基于数据增强的无监督跨域rs-fMRI适应框架（AUFA），用于抑郁症的自动诊断。该框架通过引入图表示学习、领域适应、自优化和分类模块，有效减少了不同站点rs-fMRI数据之间的分布差异，并缓解了模型在源域中的过拟合问题。实验结果表明，AUFA在多个跨域rs-fMRI预测任务中表现优异，能够提高模型的泛化能力，为抑郁症的自动诊断提供了一种新的方法。此外，AUFA还能够定位与疾病相关的功能连接异常，并提供模型的可解释性，这在临床应用中具有重要意义。