基于GMV-ALFF多模态MRI与高斯数据增强的精神疾病分类创新框架

《Frontiers in Computational Neuroscience》：An innovative framework based on GMV-ALFF multi-modal MRI and Gaussian data augmentation for psychiatric disorder classification

　　

摘要专业翻译 目的： 精神分裂症（Schizophrenia, SZ）与双相障碍（Bipolar Disorder, BD）在临床症状上存在显著重叠，对精准诊断构成重大挑战。本研究提出一种基于卷积神经网络（Convolutional Neural Network, CNN）的创新多模态融合框架，整合结构与功能性磁共振成像生物标志物——灰质体积（Gray Matter Volume, GMV）与低频振幅（Amplitude of Low-Frequency Fluctuation, ALFF）。 方法： 共纳入31例精神分裂症患者、48例双相障碍患者及38例健康对照（Healthy Control, HC），均接受静息态功能磁共振成像（resting-state fMRI）扫描。该框架包含三个核心组成部分：高斯数据增强以缓解小样本量的局限性；专用CNN架构处理GMV与ALFF特征以生成SZ、BD和HC的类别概率输出；以及基于Dempster-Shafer（D-S）证据理论的稳健多模态决策融合。 结果： 广泛的5折交叉验证证实了该框架的有效性：其取得了优越的性能指标（准确率：0.9656 ± 0.0324，精确率：0.9698 ± 0.0319，召回率：0.9656 ± 0.0324，F1分数：0.9661 ± 0.0324），且优于传统机器学习方法（支持向量机、随机森林、XGBoost、K近邻）。 结论： 研究结果表明，与单模态分类方法相比，所提出的多模态融合方法增强了区分SZ、BD与HC的能力，为精神疾病的辅助诊断提供了可靠的技术支持。

论文解读

一、研究背景与问题

精神分裂症（SZ）与双相障碍（BD）是两类严重的精神疾病，二者在临床症状上存在显著重叠。SZ通常表现为幻觉、妄想和认知紊乱，而BD则以躁狂与抑郁发作交替为特征。然而，两类疾病共享情绪不稳定和认知损害等核心临床特征，尤其在急性发作期，常导致诊断不确定性。这种诊断困境具有重大临床意义，因为误分类可能因SZ与BD所需治疗策略截然不同而严重影响治疗结局。

传统机器学习方法（如支持向量机SVM、随机森林、逻辑回归）在精神疾病分类中表现出中等水平的性能，准确率通常介于70%至85%之间。例如，Tikka等人利用SVM分类器区分SZ患者与健康对照的准确率为78.95%。然而，这些传统方法在多分类任务中表现出显著局限性：在区分SZ、BD和健康对照时仅达到70.8%的准确率。此外，传统方法依赖人工设计的特征，难以捕捉复杂的神经生物学模式。

相比之下，深度学习在精神疾病分类任务中展现出优越性能。在二分类任务中，基于CNN的模型准确率可达99%；多分类应用中，区分SZ与自闭症谱系障碍（ASD）的准确率达85%，结合3D/2D-CNN架构的SZ识别准确率达89.85%。然而，小样本研究凸显了深度学习模型对数据的依赖性，BD和SZ的分类准确率分别仅为78.2%和71.0%。这强调了开发对小样本约束具有鲁棒性的方法的迫切需要，而这正是精神神经影像研究中常见的挑战。

二、研究内容与结论

针对上述局限性，研究人员提出了一种创新的计算框架，整合了多项方法学进展。该框架同时应对精神神经影像中的两个关键挑战：在有限训练数据下实现可靠分类，以及通过具有神经生物学意义的特征选择维持临床可解释性。

该框架包含三个核心创新：高斯数据增强以缓解小样本限制；专门设计的双路径CNN架构分别处理GMV和fALFF特征提取；以及基于Dempster-Shafer（D-S）证据理论的证据融合策略以量化诊断确定性并增强分类鲁棒性。通过5折交叉验证，该框架取得了优越的性能指标（准确率0.9656 ± 0.0324，精确率0.9698 ± 0.0319，召回率0.9656 ± 0.0324，F1分数0.9661 ± 0.0324），显著优于SVM、随机森林、XGBoost和KNN等传统机器学习方法。研究结果表明，多模态融合方法相比单模态分类方法增强了区分SZ、BD与HC的能力，为精神疾病的辅助诊断提供了可靠的技术支持。

三、关键技术方法

研究人员采用了以下主要技术方法：

数据增强与预处理： 研究人员开发了基于高斯噪声的数据增强框架，对每个训练样本独立施加一次高斯噪声实现，有效将训练集规模扩大一倍。所有特征向量在CNN训练前采用Z-score标准化处理。样本队列来源于杭州第七人民医院，包括31例SZ患者（16男/15女，年龄45.13 ± 5.33岁）、48例BD-I型患者（27男/21女，年龄43.63 ± 9.73岁）和38例健康对照（20男/18女，年龄45.71 ± 9.63岁），诊断依据DSM-5标准。

双路径1D-CNN架构： 研究人员构建了两个并行的1D-CNN分支，分别处理GMV和fALFF特征。每个分支包含两个卷积层（第一层16个卷积核，第二层32个卷积核，核大小均为3）、两个最大池化层（池化大小和步长为2）、三个全连接层，最终输出三类别概率。

D-S证据理论融合： 研究人员采用Dempster-Shafer证据理论对两个CNN分支的分类概率进行多模态决策融合，通过量化诊断确定性增强分类鲁棒性。

四、研究结果

数据增强效果： 高斯数据增强有效缓解了小样本量的限制，在保持大脑结构性和功能性关系的同时扩大了训练数据集，为CNN模型的稳定训练提供了数据基础。

CNN分类性能： 双路径1D-CNN架构分别对GMV和fALFF特征进行深度特征提取，通过卷积、池化和全连接层的逐级变换，有效捕捉了脑区间的复杂高阶模式，为后续融合提供了可靠的类别概率输出。

多模态融合优势： D-S证据理论融合策略整合了GMV和fALFF两个模态的互补信息，相比单模态分类方法显著提升了区分SZ、BD与HC的能力。5折交叉验证证实了框架的优越性能（准确率0.9656 ± 0.0324，精确率0.9698 ± 0.0319，召回率0.9656 ± 0.0324，F1分数0.9661 ± 0.0324）。

与传统方法对比： 该框架在各项性能指标上均优于传统机器学习方法（SVM、随机森林、XGBoost、KNN），验证了深度学习与证据理论融合策略在精神疾病多分类任务中的有效性。

五、结论

研究结果表明，所提出的基于GMV-ALFF多模态MRI和高斯数据增强的创新框架，通过整合结构性与功能性神经影像生物标志物、深度学习特征提取和证据理论决策融合，有效增强了区分SZ、BD与HC的能力。该框架为精神疾病的辅助诊断提供了可靠的技术支持，为小样本精神神经影像研究提供了可行的方法学参考。