《Neurocomputing》:Information bottleneck-guided heterogeneous graph learning for interpretable neurodevelopmental disorder diagnosis
编辑推荐:
针对神经发育障碍(NDDs)诊断中多模态神经影像数据融合困难、模型可解释性不足等问题,本研究提出了可解释信息瓶颈异质图神经网络(I2B-HGNN)。该研究融合信息瓶颈(IB)原理与异质图学习,构建了IBGraphFormer和IB-HGAN双组件框架,有效识别了与诊断相关的生物标志物,并实现了神经影像学与非成像数据的可解释性融合。实验表明,该方法在ASD和ADHD诊断中兼具高分类精度与可解释性,为开发客观、数据驱动的诊断工具提供了新思路。
神经发育障碍(Neurodevelopmental Disorders, NDDs),如自闭症谱系障碍(Autism Spectrum Disorder, ASD)和注意缺陷多动障碍(Attention Deficit Hyperactivity Disorder, ADHD),严重影响个体的认知与社交发展,给患者家庭和社会带来沉重负担。长期以来,临床诊断主要依赖主观的行为观察和标准化问卷,这种方式存在固有的可变性,常常导致诊断不一致,从而延误了关键的早期干预。尤其是对于ASD,早期识别至关重要。这种诊断困境的根源在于NDDs的高度异质性——即使被诊断为同一种障碍,不同个体的神经生物学特征也可能大相径庭。因此,开发客观、数据驱动的诊断工具迫在眉睫。
功能磁共振成像(functional Magnetic Resonance Imaging, fMRI)的出现为客观评估大脑功能提供了强大工具。与主要观察大脑结构的成像技术不同,fMRI通过血氧水平依赖(Blood-Oxygen-Level-Dependent, BOLD)信号检测,能够捕捉反映底层神经生物学过程的动态大脑连接模式。这种量化大脑区域间功能连接(Functional Connectivity, FC)的能力,为开发能够补充传统临床评估的客观诊断工具奠定了基础。然而,构建可解释的诊断模型仍面临巨大挑战:模型需要在具有临床意义的生物标志物解读与多模态成像、行为数据的有效整合之间取得精妙平衡。
尽管图神经网络(Graph Neural Networks, GNNs)在分析大脑功能连接组方面展现出潜力,但现有方法存在诸多局限。基于大脑连接的GNNs虽然能有效提取生物标志物,但因通常仅在单一站点数据上训练而泛化能力有限;而基于人群图的方法虽然通过模拟表型相似性提高了精度,却可能损害对理解精神疾病至关重要的、具有生物学意义连接模式的发现。传统的同质图模型仅将人口统计学信息映射为边权重,限制了其充分利用临床环境中丰富的多模态信息的能力。此外,大多数现有方法缺乏在模型复杂性与可解释性之间取得平衡的原则性框架,常常导致模型在性能与临床效用之间做出妥协。
当前的可解释性方法在神经影像领域也存在显著不足,往往由于与实际决策过程脱节而无法揭示有意义的跨模态交互,通常只能提供特征重要性评分,却未考虑对理解精神疾病至关重要的成像与非成像变量间复杂的相互依赖关系。更重要的是,现有诊断模型难以识别对于分类最具信息量的、同时能消除冗余信息的最小充分表征。
为了解决这些系统性挑战,由香港理工大学的研究人员领衔的团队在《Neurocomputing》上发表论文,提出了“可解释信息瓶颈异质图神经网络”(Interpretable Information Bottleneck Heterogeneous Graph Neural Network, I2B-HGNN)。这是一个统一框架,首次将信息瓶颈(Information Bottleneck, IB)原则同时应用于大脑连接建模和跨模态特征整合,旨在破解诊断精度与模型可解释性之间的固有矛盾。
该研究的核心在于一个双层次的创新框架:第一个组件是“信息瓶颈图Transformer”(IBGraphFormer),它通过信息瓶颈引导的池化操作,将基于Transformer的全局注意力机制与图神经网络相结合,用于识别充分的生物标志物。第二个组件是“信息瓶颈异质图注意力网络”(IB-HGAN),它采用基于元路径的异质图学习,并施加结构一致性约束,以实现神经影像数据与人口统计学数据的可解释性融合。实验结果表明,I2B-HGNN在诊断NDDs方面实现了卓越性能,不仅具有高分类精度,还能提供可解释的生物标志物识别,同时能有效分析非成像数据。
为了开展这项研究,作者主要采用了以下几项关键技术方法:研究使用了公开的ABIDE-I(自闭症)和ADHD-200(注意缺陷多动障碍)两个神经影像数据集,经过标准预处理流程后,利用AAL116和Schaefer(400个感兴趣区)图谱进行大脑区域划分并计算功能连接矩阵。模型构建上,创新性地设计了IBGraphFormer模块,其包含分布感知全局注意力图Transformer和生物标志物导向的信息瓶颈池化(BIB-Pooling)层,用于从个体大脑网络中提取压缩的、诊断相关的表征。随后,基于提取的生物标志物和人口统计学信息(如年龄、性别、站点),构建了异质人群图,并利用IB-HGAN模块进行元路径结构一致性学习和信息瓶颈引导的异质图元路径注意力计算,最终实现多模态数据的自适应融合与分类。
研究结果
1. 分类性能对比
研究采用10折交叉验证和留一站点出(Leave-One-Site-Out, LOSO)验证对模型进行了全面评估。在ABIDE-I数据集(使用AAL116图谱)上,I2B-HGNN取得了78.64%的准确率(ACC)、82.03%的曲线下面积(AUC)和80.45%的F1分数,均显著优于包括EV-GCN、DGTN在内的所有基线方法。在ADHD-200数据集上,模型同样取得了最优或次优的性能。值得注意的是,与仅基于个体大脑连接图的方法相比,基于人群图的方法(包括本研究的I2B-HGNN)表现出更小的性能标准差,显示出更强的稳定性。统计检验表明,I2B-HGNN在多数指标上相对于次优方法的提升具有统计学显著性(p < 0.05)。这些结果在Schaefer图谱上也得到了验证,证明了模型对不同大脑分区方案的鲁棒性。
2. 可解释的生物标志物识别
通过IBGraphFormer中的BIB-Pooling层,模型能够从复杂的大脑网络中提取出最小且充分的生物标志物表征。分析模型识别出的高权重大脑区域发现,在ASD诊断中,与默认模式网络(Default Mode Network)、突显网络(Salience Network)和额顶控制网络(Frontoparietal Control Network)相关的区域被频繁选中,这些网络的功能连接异常已被广泛报道与ASD的社交认知和感觉处理缺陷相关。在ADHD诊断中,则更多涉及注意网络和执行控制相关脑区。这种自动化的、基于信息压缩的生物标志物发现机制,不仅提升了模型的诊断能力,也为理解NDDs的神经机制提供了可解释的视角。
3. 异质图结构与多模态融合分析
IB-HGAN模块构建的异质人群图成功建模了受试者之间基于多种人口统计学属性(如相同年龄段、相同性别、相同站点等)的复杂关系。通过信息瓶颈引导的元路径注意力机制,模型可以量化不同人口统计学路径对于最终诊断决策的贡献度。例如,分析发现,基于“相同年龄段”和“相同站点”的元路径在某些数据集中贡献了更高的注意力权重,这反映了年龄和扫描站点差异是影响大脑功能连接模式并进而影响诊断的重要因素。这种能力使得临床医生能够追溯诊断决策的“依据”,理解成像特征与非成像特征之间如何相互作用。
4. 消融研究与参数分析
研究通过系统的消融实验验证了各个核心组件的必要性。移除IBGraphFormer中的信息瓶颈约束或分布感知注意力机制,均会导致分类性能和生物标志物稀疏性的下降。同样,在IB-HGAN中移除结构一致性约束(通过Weisfeiler-Lehman图同构测试实现)或信息瓶颈正则化,会损害模型的泛化能力和可解释性。对信息瓶颈权衡参数β的分析表明,存在一个最优区间,能在压缩冗余信息和保留预测性信息之间取得最佳平衡,从而同时优化分类精度和生物标志物的可解释性。
研究结论与讨论
本研究成功提出了一个名为I2B-HGNN的统一框架,首次将信息瓶颈原理深度整合到神经发育障碍诊断的两大核心环节:个体大脑网络分析和多模态数据融合。该框架通过IBGraphFormer实现了对局部与全局功能连接模式的最小充分建模,自动识别出与诊断最相关的生物标志物;进而通过IB-HGAN,在理论原则的指导下,实现了神经影像特征与人口统计学特征的可解释性异质图融合。
研究的核心结论在于,通过信息瓶颈的理论引导,可以有效解决脑网络分析中“精度-可解释性”的权衡困境。I2B-HGNN不仅在公开的ASD和ADHD数据集上取得了超越现有方法的诊断性能,更重要的是,它提供了一套透明的决策机制:临床医生或研究人员可以知晓是哪些大脑连接模式(生物标志物)对诊断起到了关键作用,以及这些成像特征如何与患者的年龄、性别等非成像信息产生交叉影响。这种“白盒”特性极大地增强了模型在临床转化中的可信度和实用性。
该研究的重要意义体现在三个方面:方法论上,它为图神经网络在医疗领域的应用,特别是多模态、可解释模型的设计,提供了新的范式,将信息论与异质图学习有机结合。临床意义上,它为神经发育障碍的客观诊断提供了强有力的计算工具,有助于减少主观评估带来的变异,促进早期精准干预。神经科学意义上,模型自动识别出的生物标志物与现有文献中报道的NDDs相关脑网络高度吻合,这不仅验证了模型的有效性,也为进一步探索这些疾病的病理生理机制提供了新的、数据驱动的线索。
当然,研究也存在一定局限,例如当前模型主要处理静态功能连接,未来可扩展至动态脑网络分析;此外,如何将模型发现的生物标志物与更细粒度的认知行为量表得分相关联,是深化临床解释的重要方向。总体而言,这项工作朝着开发真正可靠、可用、可理解的AI辅助神经精神疾病诊断系统迈出了坚实的一步。研究的官方实现代码已公开,旨在促进该领域的可重复研究与合作。