用于神经系统疾病识别的动态因果图表示学习

《Biomedical Signal Processing and Control》：Dynamic causal graph representation learning for neurological disorders recognition

　　

摘要

动态脑网络在诊断神经系统疾病方面的有效性越来越得到认可，这些疾病代表着对全球人类健康的威胁。已经创建了许多图神经网络（GNN）模型，用于自主检测脑图中与特定神经病症相关的异常整合模式。然而，大多数现有方法都存在主要缺陷。这些方法通常要么采用预定义的统计指标（例如皮尔逊相关系数），要么依赖于静态脑网络。此外，构建动态脑网络/图的过程集中在静态或时间不变的效应连接上，导致对dEC动态方面的知识存在巨大差距。虽然具有统计特异性的脑网络在识别某些疾病方面极其有效，但当应用于其他神经系统疾病时，其性能可能缺乏鲁棒性。为了解决这些问题，我们引入了一种名为动态因果图推理图神经网络（DCGI-GNN）的新模型，该模型可以在两阶段管道中估计脑网络并学习图表示，从而促进每个阶段的优化和可解释性。本文中"因果"一词指的是有方向的、随时间变化的功能影响关系，而不是基于干预的因果关系。我们的模型首先从数据中直接推断出与任务相关的图结构，然后利用这些结构来改善下游任务性能。我们进行了广泛的实验，使用来自ABIDE、ADNI和PDD数据集的数据诊断三种脑疾病：自闭症谱系障碍（ASD）、阿尔茨海默病（AD）和帕金森病（PD）。我们的研究结果表明所提出框架的有效性。除了优异的性能外，该模型还具有很高的可解释性，其结论与现有文献大体一致。

引言

神经系统疾病，包括自闭症谱系障碍（ASD）[1]、阿尔茨海默病（AD）[2]、注意力缺陷多动障碍（ADHD）[3]和帕金森病（PD）[4]，是导致残疾和死亡的主要原因。因此，阐明其潜在的神经机制对于推进生物医学应用至关重要，如精神疾病的治疗[5]和神经系统的模拟[6]。功能性磁共振成像（fMRI）在这一领域至关重要，因为它使研究人员能够观察脑血氧化的局部变化[7]。因此，基于fMRI数据的脑连接组研究在表征脑组织和识别神经系统疾病特异性生物标志物的努力中变得越来越突出。

使用血氧水平依赖（BOLD）信号识别脑疾病通常采用传统机器学习技术或深度学习方法。传统方法采用分段的三阶段过程：最初从BOLD信号构建功能脑网络（FBNs），随后进行手动特征提取，最后通过已建立的模型（如随机森林[8]和支持向量机[9]）对疾病进行分类。然而，由于特征提取和疾病识别是独立进行的，这种顺序方法无法根据下游分类结果优化特征表示。相比之下，深度学习促进了端到端优化。虽然FBNs仍然从BOLD信号中派生，但深度神经网络同时执行特征提取和疾病分类。重要的是，图神经网络[10]、[11]自适应地增强特征提取，以响应下游分类任务的具体需求。

由于图神经网络（GNNs）有效地表示图结构数据，许多研究已从使用传统特征设计方法转向使用GNNs进行自动化特征提取。在脑疾病识别领域，已经创建了几种GNNs以有效地从脑网络中提取特征。例如，Cui等人[12]开发了一种图卷积网络，用于从脑成像模式捕获时空特征，在多个数据集上表现出稳健的性能。为了增强模型的可解释性，Li等人[13]提出了BrainGNN，该网络集成了一种新颖的节点池化操作，用于检测脑网络中的关键子图结构，从而在疾病诊断和功能解码任务中取得了显著的性能。

尽管GNNs在自动化特征提取方面取得了成功，但它们对使用静态指标（如皮尔逊相关系数）构建的脑网络的依赖限制了其整体有效性。由于异常连接模式在不同神经系统疾病中存在显著差异[4]、[14]、[15]，静态网络无法捕获这些疾病特异性机制，导致分类性能不佳。这一局限性凸显了纳入因果脑网络研究的迫切需要，该研究主要集中在效应连接（EC）和动态效应连接（dEC）上。EC测量不同脑区之间因果信息流的强度和方向性，这对于理解人类认知功能至关重要[16]。然而，传统的EC方法通常假设在整个扫描过程中具有时间平稳性[17]，限制了它们捕获固有时间动态的能力。鉴于功能网络表现出随时间波动的活动，即使在静息状态下[18]、[19]，动态连接方法应运而生。与静态EC不同，dEC监测因果相互作用的时序进展，揭示了网络连接如何随时间变化。整合这些动态、随时间变化的因果表示将使GNNs能够捕获中断连接的空间拓扑和时间演化，最终提高网络建模和下游诊断准确性。

针对上述挑战，我们引入了一种新框架，称为动态因果图推理与图神经网络（DCGI-GNN）。所提出的方法首先以端到端的方式估计脑区之间的动态效应脑网络。构建的网络随后被传入GNN以学习鲁棒的图表示。如图1所示，动态因果图推理（DCGI）模块接收从预处理后的静息态功能性磁共振成像（rs-fMRI）导出的时间序列数据。该模块设计用于估计不同脑区之间的时变因果相互作用。此外，为了增强模型识别神经系统疾病的能力，我们包含了两个额外的组件：时间注意力聚合模块（TAAM）和时间稀疏性损失。TAAM通过自适应地聚合同时显著特征来增强模型的表示能力，从而提高后续任务的有效性。同时，时间稀疏性损失确保潜在脑连接网络的稀疏表示，最小化过拟合风险。所提出的框架使用三个公开可用的数据集进行评估，全面的实验结果验证了其有效性和相对于现有方法的优越性能。

我们的主要贡献总结如下：

• •
  我们引入了一种新颖的基于深度学习的DCGI-GNN框架，该框架专门估计复杂且相互连接的脑网络中的动态因果关系，然后通过两阶段管道学习图表示。
• •
  因果启发的GAN（CIGAN）模块旨在对每个时间窗口内脑区之间的非线性相互作用进行建模，远远超过仅捕获这些区域之间线性和静态相互作用的传统方法。
• •
  TAAM模块有效地提取和保留了从估计的dECs中提取的最显著信息，这对于旨在识别与神经系统疾病相关的关键生物标志物的后续分析至关重要。
• •
  在三个公开数据集上进行了全面的实验，以验证我们的方法在诊断ASD、AD和PD方面的有效性。

章节片段

因果图构建

神经系统疾病逐渐与脑区之间的功能障碍整合相关[2]、[4]。近年来，开发了许多脑网络建模技术来促进这些疾病的诊断[20]、[21]、[22]。这些方法可以根据功能连接的特征化方式大致分为两类：(1)基于相关性的方法和(2)基于因果关系的方法。其中，皮尔逊相关

方法

图1说明了所提出方法的详细过程。与以往方法不同，DCGI-GNN通过两步过程运行：最初，它直接从时间序列数据 $X$ 生成脑图，而不是依赖于具有指定指标的预定义脑网络/图。随后，它利用这一数据驱动的图进行基于图的学习。我们提供了一个新模块，称为DCGI，设计用于估计不同

实验结果

在本研究中，4.1节简要描述了所使用的数据集。4.2实验设置、4.3竞争方法分别详细说明了实验设置和竞争方法的细节。然后，我们在4.4分类结果、4.5消融研究中展示了实验结果和消融研究的结果。最后，我们在第4.6节介绍了合成fMRI数据上方向性连接的验证。

讨论

尽管某些脑区的诊断功能已经明确定义，但理解它们之间的因果关系为阐明脑疾病的发生原因提供了基本见解。我们进行了完整的分析和可视化，以描绘健康和病理状态下的脑行为，阐明了这些变化如何指导脑状况的识别。

结论

本研究提出了一种新颖的GNN模型用于脑疾病的诊断，该模型将图结构学习与下游任务结合在一个两阶段框架中。我们建立了一个新模块，称为DCGI，能够确定脑区之间的因果关系。生成的图随后由GNN用于获取任务特定的表示，这些表示可以适应多种下游预测任务。我们在三个公开数据集上的实验表明

CRediT作者贡献声明

Amani Alfakih：写作-审阅与编辑，写作-初稿，可视化，软件，方法论，调查，概念化。Zhengwang Xia：写作-审阅与编辑，数据管理，概念化。Saqib Mamoon：可视化，软件。Bahzar Ali：可视化，验证。Jianfeng Lu：写作-审阅与编辑，监督，概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能被认为会影响本论文报告的工作。

致谢

本工作得到了江苏省自然科学基金[No. BK20221487]的支持，部分得到了常州市科技计划项目(No. CJ20250076)的支持。

Amani Alfakih|Zhengwang Xia|Saqib Mamoon|Bahzar Ali|Jianfeng Lu