MSCN：多模型分段因果网络，用于识别自闭症谱系障碍的异常模式

《Biomedical Signal Processing and Control》：MSCN: Multimodel Segmented Causal Networks for identifying abnormal patterns of autism spectrum disorder

有效连接性建模与ASD诊断的跨模型融合方法。通过VAE注意力网络和ResNet低秩网络构建多模型框架MSCN，提升脑网络因果推理的鲁棒性，结合fMRI时序分割与功能连接辅助学习，显著优于传统单模型方法，在13个ABIDE站点实验中分类准确率提高且可解释性强。

　　脑有效连接性的估计在识别与神经系统疾病相关的生物标志物方面起着至关重要的作用。然而，建模大脑区域之间的非线性交互仍然是一项具有挑战性的任务。为了解决这一问题，我们引入了一种创新的多模型框架，称为多模型分段因果网络（MSCN），旨在估计具有强大泛化能力和生理可解释性的有效连接性网络。MSCN结合了两个因果驱动的模块，利用了VAE_attention和ResNet-low-rank架构。这些模块协同工作，以对fMRI时间序列数据进行建模，提取平均有效连接性模式。此外，我们还采用了基于功能连接性的辅助学习策略，以提升有效连接性的估计效果。构建的网络在使用支持向量机（SVM）和岭分类器对自闭症谱系障碍（ASD）进行分类时被评估。来自13个ABIDE站点的实验结果表明，我们的方法不仅能够有效识别重要的生理机制，而且在分类性能方面优于现有的先进方法。除了出色的性能外，使用该框架对可解释的大脑网络进行建模，还为阐明ASD的发病机制提供了一种有前景的途径。

自闭症谱系障碍（ASD）是一种神经发育障碍，其特征包括沟通和社交互动的缺陷，以及重复和受限的行为。不幸的是，目前对ASD的神经机制了解仍然有限，因为主要的ASD研究和临床诊断手段依赖于主观观察和医生的心理评估，这些方法本质上具有主观性，可能导致诊断时间延长或误诊。ASD的识别过程高度复杂且具有挑战性，通常在儿童两岁时进行诊断，但也可能在之后根据病情的严重程度进行诊断。研究中引入了一种简短且易于观察的检查清单，可用于人类生命的各个阶段，包括婴儿、儿童、青少年和成年人。近年来，许多研究采用各种机器学习（ML）方法来评估和诊断ASD，以及其他疾病如中风、糖尿病和心力衰竭预测。Thabtah等人利用基于规则的机器学习（RML）技术研究ASD的特征，发现RML可以提高分类模型的准确性。Elbattah等人则通过整合弹性网络、动态功能连接和流形正则化，引入了一种多特征选择方法，并采用多核支持向量机（SVM）对ASD进行诊断。这项研究提供了ASD异质性的证据，将ASD受试者分为2个和3个集群，其中各集群的贡献率从28%到94%不等。

近年来，研究者广泛使用静息态功能性磁共振成像（fMRI）与机器学习方法相结合，以识别ASD患者。这是因为fMRI在捕捉大脑功能改变方面具有高度的敏感性。在这些数据上应用机器学习算法，使研究人员能够提高诊断的准确性，并有可能发现用于早期识别和个性化治疗的生物标志物。例如，Wang等人利用个体受试者的fMRI数据构建了三种功能连接（FC）矩阵，分别采用不同的大脑图谱。随后，他们应用了堆叠去噪自编码器以获得高级特征表示，并通过多层感知机进行ASD诊断。该算法在949名受试者中达到了74.52%的准确率。此外，Liu等人首先利用自动解剖图谱将大脑划分为116个感兴趣区域（ROIs），并引入了一种多特征选择方法，整合了弹性网络、动态功能连接和流形正则化。接着，他们采用多核支持向量机（SVM）进行ASD诊断。

大脑网络在识别多种神经系统疾病方面显示出良好的效果，包括阿尔茨海默病（AD）、ASD和注意缺陷多动障碍（ADHD）。研究人员在过去几十年中已经建立了一套广泛的指标，用于描述大脑网络的特定拓扑特征。通常认为，这些指标能够作为区分健康人群和有大脑疾病患者的生物标志物。例如，Wadhera等人采用了一种新的指标——加权层次复杂度，用于描述大脑网络的层次组织方式，从而在识别ASD患者时取得了超过95%的分类准确率。此外，Avvaru等人引入了一种新的因果性度量方法——频域收敛交叉映射（FDCCM），用于研究大脑的基本动态。通过在多个数据集上进行的实验，发现FDCCM在区分帕金森病（PD）患者与对照组方面非常有效。这些研究展示了网络指标在描述大脑疾病方面的实用性。

一种理解大脑网络的方式是将其视为由节点和边构成的集合，其中每个节点代表通过生理模板定义的大脑区域，每条边则表示两个大脑区域之间的关系。近年来，功能性大脑网络建模领域出现了大量研究。通常，这些建模技术中边所描绘的关系可以分为两类：功能连接（FC）和有效连接（EC）。功能连接指的是不同大脑区域之间的fMRI信号的统计关系，用于评估这些区域之间的相互作用（直接或间接）。相比之下，有效连接的定义是某一区域对另一区域的因果影响，其目标是确定信息流动的方向。由于功能连接缺乏方向性信息，这可能导致大脑网络模型无法有效检测与大脑疾病相关的异常模式。例如，Chen等人引入了一种信息传递算法，以确定大脑区域之间的信息流动方向，他们的研究结果表明，基于有效连接的方法在识别疾病相关神经影像生物标志物方面显著优于基于功能连接的方法。Li等人创建了一种创新的有效连接网络，用于诊断轻度认知障碍（MCI），实验结果同样表明，基于有效连接的方法在识别疾病相关生物标志物方面优于基于功能连接的方法。总体而言，这些研究结果表明，有效连接比传统的功能连接更能提供区分大脑疾病的信息。

目前，基于网络的ASD识别研究方法大致可以分为三个阶段：（1）构建大脑的功能网络或有效连接网络；（2）基于构建的功能网络提取各种特征以训练识别模型；（3）利用训练模型预测和分类未知样本。然而，上述流程通常是通过单一网络模型来构建大脑的功能网络。这使得捕捉更稳健的因果结论变得困难，从而在识别准确的疾病生物标志物方面面临挑战。这可能会误导上述研究结果在临床中的应用。考虑到这一点，从不同的网络模型中构建多个因果网络可能在一定程度上提高ASD的分类准确性。针对这一问题，我们提出了一种新的多模型网络框架，称为多模型分段因果网络（MSCN），用于推断大脑区域之间的因果机制。MSCN是一种多网络模型，采用了两个基于因果性的网络：带有注意力网络的变分自编码器（VAE_atten）和ResNet-low-rank网络（RLR）。这两个网络都用于衡量大脑区域之间的因果效应。采用两个因果分支的动机源于现实世界中因果结构的复杂性，这些结构通常包含多个、可能不重叠的机制，而单一模型可能难以充分表达。尽管统一模型因其概念和计算上的简洁性而具有吸引力，但它可能会掩盖因果路径中的重要异质性，这种异质性可能来源于潜在的混杂因素或选择偏差。

我们提出的框架性能总结如图1所示。每个受试者的静息态fMRI数据经过预处理以获得每个大脑区域的时间序列。随后，提取的静息态fMRI时间序列数据被分为五个段，这些段作为MSCN模型的输入，以估计大脑的有效连接性。MSCN模型根据分段数据生成五个大脑有效连接性网络。然后，我们利用这些构建的网络训练一个分类器，以区分健康个体和患有ASD的患者。

我们通过在ABIDE数据库的13个数据站点上进行实验来检验我们的方法性能。然而，这是一项具有挑战性的任务，原因包括（1）数据集中的噪声；（2）系统中存在的复杂且未知的关系；（3）由于节点数量众多而产生的可扩展性问题。实验结果表明，使用MSCN方法构建的网络不仅表现出增强的性能，还有助于更深入地理解疾病的原因。总体而言，本文的主要贡献总结如下：

- 本文研究在医学图像分析领域首次采用因果启发的多模型框架进行大脑网络建模。该方法使用统一的数据集，并在多个数据站点上提供解释和验证。

- 我们提出了一种新颖的通用多模型框架，能够高效利用fMRI数据信息，学习大脑的有效连接性网络。

- 我们在ABIDE I数据集的13个数据站点上进行了广泛的实验和比较，取得了大多数数据集上的最佳分类性能。此外，我们的方法具有通用性，可以应用于其他领域以解决类似问题。