利用基于堆叠深度学习框架的脑细胞静息态功能性磁共振成像技术进行创伤后应激障碍的诊断

《The Open Biomedical Engineering Journal》：Post-Traumatic Stress Disorder Diagnosis using Brain Cellular Resting-State Functional Magnetic Resonance Imaging with Stacked Deep Learning Framework

本研究利用rs-fMRI数据构建stacked deep learning模型，通过分析海马体、杏仁核等6个脑区激活模式，在14例PTSD患者和14例健康对照中验证模型效果，测试集准确率达96.6%，优于传统SVM和单一深度学习模型，为早期 PTSD诊断提供新方法。

　　### PTSD的诊断与rs-fMRI技术的应用

创伤后应激障碍（PTSD）是一种由创伤性事件引发的心理疾病，其影响不仅限于个体的心理状态，还会对大脑的情感、记忆和感觉处理机制造成显著干扰。近年来，随着神经影像学技术的发展，研究人员逐渐将目光投向了功能性磁共振成像（fMRI）作为诊断PTSD的重要工具。特别是静息态fMRI（rs-fMRI）技术，它能够通过检测大脑在无特定任务状态下的活动模式，揭示大脑不同区域之间的功能连接和神经活动特征。这一技术为理解PTSD的神经基础提供了宝贵的视角，并为开发更高效的诊断方法奠定了基础。

rs-fMRI扫描不仅可以提供大脑激活的区域信息，还可以反映大脑不同部分之间的相互作用。这些数据对于识别PTSD患者与健康对照组之间的差异至关重要。研究发现，PTSD患者的大脑激活模式在某些关键区域表现出显著变化，如海马体（HC）、旁海马皮层（PHC）、内侧前额叶皮层（MedFC）和岛叶（INS）等。这些区域在健康个体中通常具有较高的激活水平，但在PTSD患者中，其激活水平明显下降，这可能与情绪调节和记忆功能受损有关。相反，丘脑（Thalamus）和杏仁核（AM）则表现出增强的激活模式，这可能反映了这些区域在处理创伤相关的情绪反应和感觉信号传递中的重要作用。

### 问题的提出与研究目标

尽管已有许多研究尝试利用rs-fMRI数据进行PTSD的诊断，但大多数方法在准确率方面仍存在一定的局限性。因此，本研究的主要目标是通过分析rs-fMRI数据，找出PTSD患者与健康对照组之间在大脑激活模式上的差异，并利用这些差异构建一个能够有效区分两者的诊断模型。为了实现这一目标，研究团队采用了多种深度学习模型，并通过一种称为“堆叠”（stacking）的集成学习技术，进一步提升模型的预测能力。

研究团队选择了14名PTSD患者和14名健康对照组，每位受试者均进行了140次rs-fMRI扫描。这些扫描数据被用于提取特定的大脑区域激活信息，并进一步进行分类分析。通过比较这些区域在PTSD患者和健康对照组中的激活情况，研究人员能够更准确地评估PTSD的严重程度。此外，研究还探讨了不同深度学习模型在分类任务中的表现，尤其是VGG-16和DenseNet-121模型的组合是否能够提升分类准确率和模型的鲁棒性。

### 研究方法

本研究采用了系统性的方法，包括数据采集、预处理、模型构建和性能评估。首先，数据采集阶段使用了来自美国国防部和阿尔茨海默病神经影像学计划（ADNI）的rs-fMRI数据，这些数据具有较高的分辨率和一致性，能够满足研究需求。接下来，数据预处理是确保数据质量的关键步骤，包括切片时间校正、图像配准、标准化和平滑处理等。这些步骤有助于消除噪声和伪影，提高图像的清晰度和一致性，为后续的分析打下坚实的基础。

在模型构建阶段，研究团队采用了一种基于堆叠的深度学习方法。该方法首先训练多个基础模型，然后利用一个元学习器（meta-learner）对这些模型的预测结果进行整合，以提高整体分类性能。基础模型的选择包括VGG-16、CNN、DenseNet-121、MobileNet-V1和NasNetLarge等，这些模型在图像分类任务中表现优异，能够捕捉到rs-fMRI数据中的复杂特征。通过将这些模型的输出进行拼接，并进一步训练元模型，研究团队构建了一个能够有效识别PTSD患者和健康对照组的堆叠模型。

### 研究结果

在研究结果部分，团队通过箱线图（boxplot）对选定的ROI区域进行了可视化比较，结果显示PTSD患者在某些区域表现出明显的激活差异。例如，海马体、旁海马皮层、内侧前额叶皮层和岛叶的激活水平显著低于健康对照组，而丘脑和杏仁核则表现出增强的激活模式。这些发现为PTSD的神经机制提供了新的见解，并为后续的模型构建提供了关键的特征输入。

在模型性能评估方面，研究团队使用了10折交叉验证方法，对多个深度学习模型在训练数据集上的表现进行了比较。结果显示，VGG-16模型在训练数据集上达到了93.2%的平均准确率，而DenseNet-121模型的平均准确率为94.1%。相比之下，MobileNet-V1模型的平均准确率为93.3%，而NasNetLarge模型的平均准确率为71.3%。这些结果表明，不同的深度学习模型在rs-fMRI数据的分类任务中表现各异，其中VGG-16和DenseNet-121模型的性能较为突出。

随后，研究团队构建了堆叠模型，并在训练和测试数据集上进行了评估。结果表明，堆叠模型在训练数据集上的准确率为98.30%，在测试数据集上的准确率为96.60%。此外，堆叠模型在敏感性和特异性方面也表现出色，分别达到了97.60%和97.10%的训练数据集指标，以及95.10%和96.20%的测试数据集指标。这些结果表明，堆叠模型在分类任务中具有较高的预测能力，并且能够有效区分PTSD患者和健康对照组。

### 模型的性能分析

为了进一步验证堆叠模型的有效性，研究团队还计算了模型的接收者操作特征（ROC）曲线和曲线下面积（AUC）。结果表明，堆叠模型在训练数据集上的AUC值为0.99，在测试数据集上的AUC值为0.97。这些值均非常接近1，表明模型在区分PTSD患者和健康对照组方面具有较高的判别能力。此外，模型的误判率（FPR和FNR）也较低，分别在训练数据集和测试数据集上为4.3%和5.8%以及2.8%和4.7%。这些结果进一步证明了堆叠模型在实际应用中的潜力。

通过混淆矩阵（confusion matrix）的分析，研究团队还发现堆叠模型在训练数据集上正确分类了1289例健康对照组和1356例PTSD患者，而在测试数据集上正确分类了575例健康对照组和538例PTSD患者。尽管模型在训练和测试数据集上均表现出较高的准确率，但仍有99例和63例数据被错误分类。这表明模型在某些情况下仍存在一定的局限性，但总体上已经取得了显著的进展。

### 与现有方法的比较

为了评估堆叠模型的性能，研究团队将其与现有的多种方法进行了比较。结果显示，堆叠模型在准确率方面明显优于其他方法。例如，传统的支持向量机（SVM）模型在PTSD检测中仅达到了72.5%的准确率，而深度信念网络（DBN）模型的准确率分别为61.53%、74.9%和57.68%。相比之下，VGG-16和DenseNet-121模型的准确率分别为92.50%和93.4%。这些结果表明，深度学习方法在PTSD检测中具有更高的准确率和更强的泛化能力。

此外，研究团队还比较了堆叠模型与其他先进模型在不同数据集上的表现。例如，在使用VGG-16和EfficientNet的组合模型中，研究团队在多类别数据集上达到了97.35%的准确率和99.64%的AUC值，而在二分类数据集上，准确率为97.09%，AUC值为99.59%。这些结果进一步验证了堆叠模型在实际应用中的优越性，并表明其在处理复杂数据时具有更高的鲁棒性。

### 模型的局限性与未来发展方向

尽管本研究取得了一定的成果，但其研究结果仍存在一定的局限性。首先，样本量相对较小，仅包括28名受试者（14名PTSD患者和14名健康对照组）。这种有限的样本规模可能会影响模型的泛化能力，使其难以推广到更广泛的人群中。其次，ROI的选取过程存在一定的主观性，这可能导致某些关键区域被忽略，从而影响模型的准确性。

此外，研究团队指出，当前模型尚未在独立数据集上进行外部验证，这可能限制了其在实际应用中的可靠性。为了克服这一问题，未来的研究应采用更多的独立数据集进行测试，以确保模型在不同人群中都能保持较高的准确率。同时，研究还建议进一步探索如何提高数据集的多样性，以及如何实现ROI的自动化选择，这些都将有助于提升模型的性能和实用性。

### 结论

本研究通过rs-fMRI数据和堆叠深度学习模型，为PTSD的早期诊断提供了一种新的方法。研究结果表明，堆叠模型在训练和测试数据集上均表现出较高的准确率，分别达到了98.30%和96.60%。此外，模型在敏感性和特异性方面也表现出色，AUC值接近1，表明其在区分PTSD患者和健康对照组方面具有较强的判别能力。这些结果不仅为PTSD的神经机制提供了新的见解，也为未来的临床诊断和治疗提供了有力的支持。

综上所述，本研究通过整合多种深度学习模型，构建了一个高效的堆叠分类器，为PTSD的早期检测提供了新的思路。然而，研究仍存在一定的局限性，未来需要进一步扩大样本量，提高数据集的多样性，并探索更高效的ROI选择方法，以确保模型在实际应用中的广泛适用性和可靠性。