基于随机游走的节点特征学习：多中心静息态功能磁共振数据在抑郁症识别中的应用

《Human Brain Mapping》：Random Walk-Based Node Feature Learning for Major Depressive Disorder Identification Through Multi-Site rs-fMRI Data

本文提出了一种基于图嵌入的特征选择分类框架（GEF-FSC），通过节点随机游走算法（node2vec）提取脑功能网络的局部和全局连接特征，结合随机森林（RF）特征选择和集成分类器，实现了对抑郁症（MDD）的高精度识别（准确率81.65%）。该方法利用多中心静息态功能磁共振（rs-fMRI）数据，首次将高阶结构信息融入功能连接（FC）分析，为抑郁症的客观诊断提供了新思路。

　　

摘要

研究团队开发了GEF-FSC框架，通过node2vec算法从静息态功能磁共振（rs-fMRI）数据中学习脑区（ROI）的局部和全局功能连接（FC）特征。该方法在REST-meta-MDD多中心数据集（含2428例样本）中验证，在Dosenbach模板和AAL图谱下分别达到81.65%和75.30%的分类准确率，显著优于8种基线方法和6种前沿模型。关键创新在于通过随机游走捕获脑网络高阶结构信息，并筛选出与抑郁症密切相关的脑区（如默认模式网络DMN的楔前叶）。

引言

抑郁症（MDD）是全球致残主因之一，但现有诊断依赖主观症状评估。尽管rs-fMRI技术能通过血氧水平依赖（BOLD）信号反映脑功能异常，但传统方法仅关注脑区两两相关性，忽略网络拓扑结构。研究团队提出：1）利用node2vec的深度优先（DFS）和广度优先（BFS）策略同步提取网络结构特征；2）采用多中心数据解决样本异质性；3）通过特征选择降低高维FC冗余性。

材料与方法

参与者：采用REST-meta-MDD项目中25个中心的821例MDD患者和765例健康对照（HC），经严格筛选排除数据缺失样本。

预处理：使用DPARSF工具箱进行头动校正、频带滤波（0.01–0.1 Hz）等标准化处理。

核心算法：

1. 1.

   网络构建：基于Dosenbach模板（160 ROI）和AAL图谱（116 ROI）计算Pearson相关系数，保留FC>0.4的强连接。

2. 2.

   图嵌入：设置node2vec参数（p=1控制回溯，q=10促进全局探索），生成128维节点嵌入特征，通过展平操作融合为全脑特征。

3. 3.

   分类模型：采用包含RF（1000棵树）、SVM（RBF核）和MLP（含ReLU激活）的集成分类器，以投票机制输出结果。

结果

性能对比：在5折交叉验证中，GEF-FSC的F1值达79.25%，较传统方法（如SVM的55.24%）提升显著。关键发现包括：

1. 1.

   参数优化：当q=10时模型性能最佳，证实抑郁症更依赖全局脑网络特征。

2. 2.

   关键脑区：前15位贡献脑区中，楔前叶（Precuneus）权重最高（0.042），其次为前额叶皮层（aPFC）和小脑（Cerebellum），与既往DMN异常研究一致。

3. 3.

   跨中心验证：留一站点交叉验证（LOSO）准确率保持81.73±4.98%，证明模型泛化能力。

讨论

临床意义：

1. 1.

   发现DMN（楔前叶）、FPN（背外侧前额叶dlPFC）和小脑网络是抑郁症核心生物标志物；

2. 2.

   中脑岛（mid-insula）的高贡献度提示焦虑症状可能与MDD共病机制相关。

   局限性：当前样本未区分抑郁症亚型（如忧郁型/非典型），未来需扩大样本进行亚型特异性分析。

结论

该研究首次将随机游走算法应用于脑网络特征提取，通过GEF-FSC框架实现了抑郁症的客观识别。未来可结合动态FC分析进一步提升模型性能，为临床诊疗提供量化工具。