基于功能与结构先验的可解释动态脑网络分析新方法

《IEEE Transactions on Medical Imaging》：Interpretable Dynamic Brain Network Analysis With Functional and Structural Priors

本研究针对动态功能脑网络(DFBN)分析中模型可解释性弱、时空特征耦合难以有效提取的问题，提出了一种融合功能与结构先验的可解释时空张量图卷积网络(ST2GCN)。通过构建层次化DFBN表示和设计包含图内传播与图间传播的协同特征提取机制，结合功能子网络约束，显著提升了癫痫、阿尔茨海默病(AD)和自闭症(ASD)的诊断性能，为脑疾病生物标志物发现提供了网络级解释。

　　

人脑是一个高度复杂的动态系统，其功能连接模式会随着认知活动不断变化。动态功能脑网络(DFBN)作为一种能够捕捉脑连接拓扑时序变化的技术，在脑疾病诊断中展现出独特优势。然而，现有DFBN分析方法大多依赖数据驱动模型，忽视了大脑固有的功能与结构先验知识，导致模型可解释性较弱。同时，由于DFBN复杂的时空特征耦合关系，如何有效提取其动态拓扑特征仍是一个挑战性难题。

针对这些瓶颈，南京航空航天大学李胜荣团队在《IEEE Transactions on Medical Imaging》上发表了一项创新研究，提出了一种融合功能与结构先验的可解释时空张量图卷积网络(ST²GCN)。该研究通过引入大脑模块化组织特性，构建了层次化DFBN表示，并设计了协同时空特征提取机制，在提升诊断准确性的同时，为理解脑疾病与功能子网络的关联提供了新视角。

研究团队采用了几项关键技术方法：首先利用静息态功能磁共振成像(rs-fMRI)数据，通过非重叠滑动窗口和皮尔逊相关构建DFBN；基于预定义的功能-结构聚类将全脑网络划分为默认模式网络(DMN)、额顶网络(FPN)等8个子网络；设计ST²GCN框架，结合图内传播(提取子网络内空间特征)和图间传播(通过虚拟图提取时序特征)；引入功能子网络约束损失函数，增强子网络内特征一致性和子网络间特征差异性；采用自注意力机制融合不同子网络特征。实验使用了来自金陵医院的癫痫数据集(306例)、ADNI数据集(226例)和ABIDE数据集(630例)。

实验结果表明，该方法在多个诊断任务中均优于16种现有方法。在癫痫诊断中，正常对照(NC)与额叶癫痫(FLE)&颞叶癫痫(TLE)的分类准确率达到84.0%，显著高于对比方法。在ADNI数据集上，NC与显著记忆担忧(SMC)&早期轻度认知障碍(EMCI)分类准确率达93.4%。在ABIDE数据集上，NC与ASD分类准确率为73.8%。消融实验验证了ST²GCN、子网络内约束和子网络间约束三个组件的有效性，其中同时使用三个组件时性能提升最显著。

功能子网络可解释性分析揭示了不同脑疾病与特定子网络的关联。在NC vs FLE和NC vs TLE任务中，默认模式网络(DMN)和注意网络(ATN)贡献最大；在NC vs SMC任务中，注意网络(ATN)和额顶网络(FPN)最为关键；而在NC vs EMCI任务中，注意网络(ATN)和视觉网络(VN)起主导作用。这些发现与各疾病的病理机制高度吻合——FLE源于额叶异常活动，TLE与颞叶功能障碍相关，而SMC和EMCI则涉及注意、认知控制等功能的损害。

脑网络可视化分析显示脑疾病会导致功能子网络内部连接的增强或减弱。例如，在NC vs TLE比较中，TLE患者在DMN、SAN、ATN等子网络内的连接强度降低，而FPN、SMN和VN内的连接增强，反映了大脑的功能代偿机制。子网络间连接分析发现，在NC vs FLE中，FPN-AN连接增强而ATN-VN连接减弱；在NC vs TLE中，FPN-AN和VN-AN连接显著降低。这些异常连接模式为理解脑疾病的信息处理障碍提供了直观证据。

时空变异性分析表明脑疾病患者的DFBN时空变异性显著高于健康对照组。癫痫患者由于神经元异常放电导致脑连接状态不稳定，而SMC和EMCI患者因神经退行性变和网络重塑也使脑网络动态特性增强。这一发现为脑疾病导致的脑网络失稳提供了量化证据。

判别性脑区识别确定了各疾病最具鉴别力的脑区。FLE相关脑区包括左侧杏仁核、右侧眶额中等，与认知行为调节功能相关；TLE相关脑区包括左侧颞中回、右侧海马等，与记忆、语言功能受损区域吻合；SMC和EMCI相关脑区主要涉及前额叶、颞叶等区域，这些生物标志物为疾病诊断提供了可靠依据。

该研究的创新性在于将大脑模块化特性转化为可计算的模型约束，通过层次化DFBN表示和协同时空特征提取，实现了对脑网络动态拓扑的高效捕捉。相比传统方法，ST²GCN不仅考虑了子网络内的紧密连接，还强调了子网络间的功能差异，更符合大脑的实际工作机制。

研究结论表明，融合功能与结构先验的层次化DFBN分析方法能够显著提升脑疾病诊断性能，同时提供子网络水平的解释性，为理解脑疾病机制和发现生物标志物提供了新途径。该方法在癫痫、认知障碍和自闭症等多种脑疾病上的成功应用，证明了其广泛的适用性和临床转化潜力。未来研究可进一步拓展到其他神经精神疾病，并探索多模态数据融合策略，推动精准医疗在脑科学领域的发展。