MetaExplainer：从可解释性视角重构功能连接组分析的领域泛化研究

针对fMRI（功能磁共振成像）数据异质性导致的GNN（图神经网络）模型可解释性与泛化性割裂问题，研究人员提出MetaExplainer框架，通过双循环元学习与解释性-泛化性正则化（EGRs），实现跨中心稳定捕获ASD（自闭症谱系障碍）和MDD（抑郁症）的神经生物学标志物。实验显示其在ABIDE和REST-meta-MDD数据集上达到SOTA性能（ASD诊断AUC 76.32%，MDD 65.31%），为神经精神疾病的早期诊断提供新范式。

　　

在神经精神疾病诊断领域，功能磁共振成像(fMRI)通过血氧水平依赖(BOLD)信号揭示大脑功能连接组(Functional Connectome)的微妙变化，成为早期诊断的关键工具。然而，不同临床中心采集的fMRI数据存在显著异质性，导致基于图神经网络(GNN)的诊断模型面临双重挑战：既要保持对疾病标志物的可解释性(Explainability)，又需实现跨中心的领域泛化(Domain Generalization, DG)。现有研究往往孤立处理这两个问题，而临床实际中，稳定识别与疾病前驱期相关的功能连接(FC)改变，恰恰是构建可靠诊断模型的前提。

针对这一矛盾，中国研究人员在《Medical Image Analysis》发表研究提出MetaExplainer框架。该工作创新性地将可解释性与泛化性统一，通过双循环元学习机制与临床知识启发的解释性-泛化性正则化(EGRs)，从多中心fMRI数据中学习任务导向的非线性功能连接网络。关键技术包括：1) 基于ABIDE和REST-meta-MDD多中心队列的BOLD信号建模；2) 外循环元学习捕获跨中心稳定的组间差异特征；3) 内循环模拟未见中心场景优化DG性能；4) 模块化先验引导的EGRs设计。

研究结果显示：

1. 跨中心诊断性能：在17个站点的ABIDE数据集上，MetaExplainer的ASD诊断AUC达76.32%，较基线模型提升4.18%；在REST-meta-MDD的27个站点中，MDD诊断AUC达65.31%，显著优于传统DG方法。
2. 可解释性验证：模型识别出MDD患者感觉运动网络(SMN)功能连接异常，与既往神经生物学研究一致；ASD病例中则发现默认模式网络(DMN)与突显网络间连接重组。
3. 消融实验：EGRs模块使跨中心性能波动降低32%，证实其稳定解释因子的作用。

讨论部分指出，MetaExplainer的创新在于将神经科学先验知识编码为元学习目标，使模型不仅能识别疾病相关连接组改变，还能保证这些生物标志物在不同采集协议下的可复现性。该框架为脑疾病生物标志物的跨中心验证提供方法论支持，其"解释即泛化"的设计理念对医学AI模型开发具有普适意义。未来可扩展至其他神经退行性疾病的早期预测，推动精准精神病学发展。