基于认知感知协同多专家网络的脑区特征建模在双相情感障碍精准诊断中的应用

为解决双相情感障碍（BD）早期诊断中脑区病理特征捕捉不足的问题，研究人员提出CognitMoE模型，通过认知感知注意力模块（CAAM）和协同多专家网络（CMEN）整合脑区结构与功能特征，实验显示其BACC、F1分数和灵敏度分别提升6.9%、3.3%和11.1%，为临床筛查提供新工具。

　　

双相情感障碍（Bipolar Disorder, BD）是一种以情绪极端波动为特征的精神疾病，其早期诊断长期面临挑战——患者初期症状与普通情绪波动难以区分，临床诊断高度依赖主观判断，缺乏客观病理依据。尽管结构磁共振成像（sMRI）凭借高空间分辨率和稳定性成为研究热点，但现有方法在脑区病理特征提取上存在明显局限：切片级方法丢失全局关联，全脑级方法稀释病灶信号，而传统脑区级方法又过度依赖预定义特征。如何精准捕捉BD相关的脑区结构与功能异常，成为突破诊断瓶颈的关键。

针对这一难题，中国国家重点实验室复杂与关键软件环境（CCSE）的研究团队创新性地开发了CognitMoE模型。该研究通过融合认知神经科学与深度学习技术，首次实现了从脑区结构和认知功能双维度解析BD病理机制，相关成果发表于《Neural Networks》。研究人员采用脑图谱引导的认知感知注意力模块（CAAM）动态加权BD相关脑区特征，并设计协同多专家网络（CMEN）模拟认知任务中的脑区协作机制。实验证明，该模型在OpenfMRI和私有数据集上显著提升诊断效能，尤其对易被误诊的早期病例识别灵敏度提高11.1%，为临床提供了可靠的客观诊断依据。

关键技术方法包括：1）基于AAL脑图谱分割sMRI数据提取90个脑区特征；2）CAAM模块通过可学习参数矩阵实现认知功能障碍相关脑区的自适应加权；3）CMEN网络配置8个专家子网分别建模不同认知维度（如记忆、执行功能）的脑区协作模式；4）采用三阶段训练策略优化模型。研究队列涵盖OpenfMRI的148例BD患者和私有数据集的86例患者，均经DSM-5标准确诊。

主要研究结果

1. 性能验证：在跨数据集测试中，CognitMoE的平衡准确率（BACC）达82.4%，较传统方法提升6.9%，证明其优异的泛化能力。
2. 特征可视化：CAAM权重分布显示前额叶皮层、边缘系统等区域贡献度显著，与BD认知障碍的神经生物学机制高度吻合。
3. 专家网络分析：CMEN中负责情绪处理的专家子网对杏仁核特征响应最强，揭示BD情绪调节异常的神经基础。

这项研究开创性地将认知理论融入BD的影像组学分析，其提出的脑区协同建模框架不仅提升了诊断准确性，更通过可解释的注意力机制揭示了BD的神经标记物。临床转化方面，模型仅需常规T1加权像即可实现高效筛查，大幅降低诊断成本。未来可扩展至其他精神疾病的跨诊断研究，为发展基于生物标记物的精神医学新范式奠定基础。