互惠多网络噪声标签学习（MMNNLL）方法及其在双相情感障碍和精神分裂症跨诊断分类中的应用

《IEEE Transactions on Medical Imaging》：Mutualistic Multi-Network Noisy Label Learning (MMNNLL) Method and Its Application to Transdiagnostic Classification of Bipolar Disorder and Schizophrenia

精神疾病诊断因主观性和症状重叠存在标签噪声问题，MMNNLL方法通过多网络协作与竞争提升神经影像数据的分类准确性，在双相情感障碍与精神分裂症区分中表现优异。

　　

摘要：

诊断精神障碍的主观性质使得准确诊断变得复杂。不同障碍之间的复杂关系进一步加剧了这一问题，尤其是在临床实践中，像双相情感障碍（BP）和精神分裂症（SZ）这样的疾病可能会表现出相似的临床症状和认知障碍。为了解决这些挑战，本文提出了一种互惠的多网络噪声标签学习（MMNNLL）方法，该方法旨在通过利用神经影像数据来提高诊断准确性，即使存在潜在的临床诊断偏差或错误。MMNNLL有效地利用多个深度神经网络（DNN）从带有噪声标签的数据中进行学习，通过最大化DNN在识别和利用具有清晰标签和噪声标签的样本之间的一致性来实现这一目标。在公共的CIFAR-10和PathMNIST数据集上的实验结果表明，我们的方法在分类具有不同类型和级别标签噪声的独立测试数据方面非常有效。此外，我们的MMNNLL方法显著优于现有的噪声标签学习方法。当应用于BP和SZ患者的脑功能连接数据时，该方法能够识别出两种表现出更明显群体差异的生物型，并且与传统的机器学习和先进的深度学习技术相比，分类准确性得到了提高。总之，我们的方法有效地解决了精神障碍分类可能存在的不确定性问题，通过多网络协作和竞争实现了跨诊断的分类。

引言

精神障碍对患者的行为、情绪和社会功能有着显著的影响，从而造成了全球性的负担[1]。目前，精神障碍的诊断依赖于基于诊断标准的临床访谈，但由于这些评估的主观性质，确保诊断的准确性具有挑战性[2]。此外，不同精神障碍之间的症状重叠可能导致基于症状的诊断方法出现不准确，增加了误分类的风险[3]、[4]。这一挑战在双相情感障碍（BP）和精神分裂症（SZ）等疾病中尤为突出，因为这两种疾病都可能出现妄想、幻觉、情绪波动和认知障碍[5]、[6]。尽管许多研究利用神经影像测量来构建分类器以区分不同的精神障碍，并通过将诊断标签视为类别标签来探索生物标志物[7]，但不准确的诊断可能会影响分类的性能和所得生物标志物的可靠性[8]。对于BP和SZ，以往研究中使用神经影像特征的分类准确性通常较低[9]、[10]。这很可能是因为临床诊断中的错误或不确定性可能引入了偏差或噪声到分类器的学习过程中，最终降低了模型的有效性和泛化能力。除了当前诊断方法固有的主观性之外，精神障碍的病理和神经机制往往与临床诊断标准（如《精神障碍诊断与统计手册》（DSM-5）或《国际疾病分类》（ICD-11）并不完全一致。因此，使用这些诊断标签训练的神经影像分类器可能会遇到不一致性，因为模型被迫将神经生物学模式映射到可能无法完全反映疾病机制的标签上。这种临床类别与生物学现实之间的差异使得疾病分类和生物标志物发现变得特别具有挑战性，这突显了迫切需要数据驱动的方法，这些方法应超越基于症状的分类学，专注于生物学信息的方法。这样的策略可以减少标签噪声，并使分类更好地与精神障碍的生物学过程保持一致。