基于多模态神经影像深度自适应融合网络（DAFN）在抑郁症（MDD）诊断中的突破性研究

本综述提出了一种新型深度自适应融合网络（DAFN），通过整合多模态神经影像（sMRI/DTI/rs-fMRI）信息，有效解决了抑郁症（MDD）诊断中跨模态特征互补与动态权重优化的关键难题。该模型结合高频/低频特征提取、模态权重自适应模块（MWAM）与渐进式信息强化策略，在公开与自建数据集中均展现出卓越性能，为AI驱动精神疾病诊断提供了可靠范式。

　　

Highlight

深度学习在MDD诊断中的应用

深度学习提供了自动化特征提取方法，并在多种医学影像应用中取得显著成功（Xuxin Chen等, 2022；Qureshi等, 2023；Zhang & Metaxas, 2024）。针对MDD诊断，Zheng等（G. Zheng等, 2023）设计了一个功能-结构共注意力融合模块，用于整合多模态MRI特征以诊断MDD。Li等（T. Li, N. Hou等, 2024）开发了一种两阶段进化神经架构搜索模型…

概述

图1展示了所提出的DAFN的整体框架，这是一个有监督的端到端架构，包含3个主要组成部分：数据准备、高频与低频信息提取、以及信息融合与分类。具体来说，高频和低频信息分别使用定制卷积神经网络（CNN）和基于多头自注意力（MSA）的编码器进行提取。提取的信息在编码过程中通过模态权重自适应模块（MWAM）进行交互。此外，还设计了一种渐进式信息强化训练策略…

开放数据集与预处理

我们首先在开放数据集REST-meta-MDD联盟（https://rfmri.org/REST-meta-MDD）（C.-G. Yan等, 2019）上评估DAFN，签署了所需的数据使用协议。该数据集收集自中国17家医院，涉及来自25个研究队列的2428名志愿者，包括1300名MDD患者和1128名健康对照（HCs）。据我们所知，这是目前最大的公开MDD研究数据集。

灰质体积（GMVs）和血氧水平依赖（BOLD）信号…

实验、结果与分析

本节通过一系列对比和消融实验，在开放数据集和招募数据集上评估DAFN的鲁棒性和泛化能力。

局限性与未来方向

尽管提出的DAFN取得了有竞争力的性能，但仍存在若干局限性。首先，未来研究可能需要更大样本量以进一步验证发现。其次，模型的可解释性需进一步提升以增强临床医生对预测结果的信任。第三，通过整合经典方法（如小波变换和图神经网络GNNs）的优势，可进一步增强模型的特征提取能力。最后，开发一个…

结论

本研究提出了一种使用跨模态神经影像数据进行MDD诊断的端到端DAFN。具体而言，采用浅层CNN和基于MSA的编码器分别从图像中提取高频和低频信息。为增强训练过程中的模态贡献，引入了可学习的MWAM以优化各模态在训练中的贡献。此外，设计了渐进式信息强化训练策略，以充分利用多模态特征的互补性…