MKDC-IGN：一种用于抑郁症诊断的具有多层关键有向连接的可解释图神经网络

《Pattern Recognition》：MKDC-IGN: An interpretable graph network with multi-layer key directed connections for the diagnosis of depression

　　

• •
  MKDC-IGN 学习样本特异性的多层有向脑电图（EEG）图。
• •
  信息瓶颈（IB）引导模块过滤虚假边并保留关键通路。
• •
  MKDC-IGN 在 MODMA 和 Anding 数据集上优于现有基线方法。
• •
  学习到的通路揭示了可解释的抑郁症相关多层生物标志物。

引言

重度抑郁症（MDD）是一种复杂的心理健康障碍，由遗传、环境、心理和生物因素共同作用引起 [1]。全球约有 4% 的人口受其影响 [2]。传统诊断方法主要依赖临床访谈和主观量表，缺乏客观的生物标志物。因此，开发可靠且客观的诊断工具对于早期干预和个性化治疗至关重要。在此背景下，脑电图（EEG）作为一种非侵入性、高时间分辨率的神经影像技术，展现出巨大潜力。EEG 能够捕捉大脑活动的瞬时动态变化，为理解与 MDD 相关的神经机制提供了手段，但同时也带来了分析挑战，包括低信噪比、非平稳性和高维数据 [3]。

早期的基于 EEG 的疾病分类主要依赖传统机器学习，涉及人工特征工程后再接分类器。然而，人工设计特征的固有特性高度依赖领域知识，表现出较强的任务特定性，且在不同数据集间的泛化能力有限。随着大数据和计算能力的进步，深度学习模型，尤其是基于卷积神经网络和循环神经网络的模型，开始被用于 EEG 信号的端到端特征学习 [4]、[5]。尽管这些方法减少了对特征工程的依赖，但它们仍然难以有效捕捉 EEG 通道之间复杂的空间拓扑依赖关系。它们未能认识到大脑本质上是一个高度复杂的连接网络。

神经科学研究表明，抑郁症等精神障碍可能与大脑功能连接（FC）的异常模式有关。在这些新兴方法中，将大脑建模为图在神经科学领域获得了越来越多的关注 [6]。因此，图神经网络（GNN）——一种天然适合处理非欧几里得结构化数据的工具——已成为捕捉复杂脑区间连接关系的强大工具 [7]、[8]。在基于 EEG 的抑郁症研究中，GNN 通常将 EEG 通道建模为节点，将它们之间的 FC 建模为边。这使得网络能够学习大脑的拓扑结构，并通过消息传递机制揭示潜在的异常连接模式 [9]。

尽管 GNN 在基于 EEG 的诊断中表现出令人前景的性能，但仍有若干根本性挑战尚未解决。

（1）预定义图的局限性。早期研究依赖静态图，而近期方法引入了动态图学习以捕捉时间变化。然而，这些方法主要依赖预定义的启发式指标，例如基于 Pearson 相关系数、相位锁定值（PLV）或相位滞后指数（PLI）推导出的 FC [10]。这些图结构独立于下游分类任务构建，这意味着拓扑结构并非针对 MDD 诊断进行端到端优化。这种分离限制了模型自动发现对抑郁模式最敏感的最优拓扑结构的能力 [11]。

（2）虚假相关性普遍存在且依赖事后解释。大多数现有的基于 GNN 的诊断模型专注于通过聚合所有相关特征来最大化预测准确性，往往无法区分高度判别性的诊断标志物 [12] 与虚假相关性 [13]。此外，可解释性通常通过事后分析方法 [14] 实现，这些方法试图在训练后为模型的决策提供合理化解释。此类解释仅反映了模型所使用的关联性，但可能未能揭示真正区分患者与健康对照（HC）的关键有向连接，最终导致生物标志物在临床参考中可靠性不足。

（3）忽视脑网络中的多层交互。即使识别出动态且有向的连接，大多数现有方法仍将建模限制在单层图结构上。这种过度简化忽略了大脑固有的多层组织特性，即认知功能依赖于不同尺度或层级间的交互 [15]。当前的 GNN 架构缺乏专门处理此类多层有向结构的融合机制。它们通常诉诸简单聚合，无法保留复杂的跨层依赖关系，从而限制了模型整合多层诊断模式的能力。

因此，为了弥合高性能分类与内在可解释性之间的差距，我们提出了多层关键有向连接的可解释图网络（MKDC-IGN）框架。MKDC-IGN 采用统一的端到端设计，显式学习诊断决策背后的有向连接模式，其中有向连接表示不对称的信息流和任务优化的功能依赖关系。从更广泛的模式识别角度来看，该公式将基于 EEG 的诊断视为一个结构化表示学习问题，即在嘈杂、高维且非欧几里得的观测中联合学习任务自适应的关系结构和判别性表示。具体来说，我们的框架集成了三项方法论创新：

• •
  端到端潜在结构学习。我们提出了一个完全可微的图生成模块，消除对预定义邻接矩阵的依赖。通过直接从 EEG 信号中学习动态多层有向网络，我们的方法捕捉样本特异性的动态脑状态。
• •
  内在信息瓶颈（IB）过滤。通过引入 IB 原理，模型充当一个可训练的过滤器，在识别关键有向连接（任务相关因素）的同时消除冗余拓扑信息，从而增强生物学有效性和分类鲁棒性。
• •
  多层融合架构。我们开发了一种针对大脑复杂拓扑结构的多层有向融合网络。该架构显式建模不同功能层之间的不对称信息流和多层交互，从而实现多尺度诊断模式的有效整合，这是单层 GNN 无法捕捉的。

章节摘要

基于 EEG 的图构建

基于 GNN 的 EEG 分析性能强烈依赖于图构建。早期的基于 EEG 的抑郁症研究主要依赖预定义的功能连接或空间先验知识。Baghernezhad 等人 [16] 利用跨频率耦合构建静息态 EEG 网络，而 Chen 等人 [17] 以全局和局部通道关系初始化图，随后通过自注意力图池化细化拓扑结构。Lu 等人 [18] 将先验图构建与

材料与所提模型

为改善基于 EEG 的抑郁症识别并增强模型可解释性，我们提出了一个结合数据驱动拓扑归纳与监督任务驱动信息正则化的潜在结构学习框架。具体来说，模型首先通过建模大脑节点基于其轨迹的内在交互来推断脑功能层的多层编码，然后通过 IB 原理优化这些连接以确保其诊断

训练细节

所有实验均使用 Python 3.12 和 PyTorch 2.3.0 在配备 CUDA 12.1 的 NVIDIA RTX 4090 GPU 上实现。我们采用被试无关的五折交叉验证，以被试 ID 作为分组变量。来自同一被试的所有 2 秒 EEG 片段均分配到同一折中，确保没有被试同时出现在训练集和测试集中。在每一折中，原始 EEG 信号和微分熵特征的归一化统计量仅从

结论

在本文中，我们提出了 MKDC-IGN，一种整合动态多层有向图学习与 IB 引导的预测解耦的新型框架，以增强基于 EEG 的 MDD 诊断。在公开 MODMA 数据集和自行采集的 Anding 数据集上的大量实验表明，我们的模型相比现有代表性方法实现了优越的性能。重要的是，MKDC-IGN 的内置可解释性及相应的临床尺度相关性分析揭示

CRediT 作者贡献声明

Chu Na：写作 – 审阅与编辑，写作 – 原稿撰写，方法论，概念化。Wang Nina：写作 – 审阅与编辑，写作 – 原稿撰写，数据整理。Zhang Xuan：形式化分析。Liu Rui：验证。Sun Shuting：形式化分析。Hu Bin：资源，资金支持。Wang Gang：资源，资金支持。Liu Jingyu：指导，资金支持。Dong Qunxi：项目管理，资金支持。

稿件准备过程中生成式人工智能和 AI 辅助技术的声明

在准备本作品期间，作者使用了 Gemini 3 以提高稿件的可读性和语言质量。使用该工具/服务后，作者对内容进行了审阅和编辑，并对已发表文章的内容承担全部责任。

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

致谢

本研究得到脑科学与类脑智能技术国家重点研发计划（2021ZD0200600）、国家自然科学基金委员会（62376030、62536004、62227807、62302044、32241027）以及中央高校基本科研业务费专项资金（2025CX11023）的支持。

Chu Na|Wang Nina|Zhang Xuan|Liu Rui|Sun Shuting|Hu Bin|Wang Gang|Liu Jingyu|Dong Qunxi