《Brain Research Bulletin》:EEG-based schizophrenia detection using handcrafted biomarkers and a TOA-optimized hybrid multi-branch CNN–Transformer framework
编辑推荐:
本文针对精神分裂症(Schizophrenia)计算机辅助诊断(CAD)中单特征表征、启发式调参及窗口级评估临床转化受限等问题,提出一种融合多分支深度嵌入与可解释EEG手工艺生物标记的校准感知混合CAD框架。该研究通过结合连续小波变换(CWT)时频图、多分支CNN(EfficientNetV2-S, MobileNetV3-Large, ResNet-50)与Swin Transformer提取深度特征,并与谱、复杂度及连接性等手工艺特征融合,进而利用特征-搜索混合三倍反向算法(TOA-FSH)联合优化特征选择与分类器(k-最近邻)超参数,最后进行概率校准与受试者级决策融合。在MSU-SZ与RepOD-SZ两个公开队列上的严格受试者级评估表明,模型在窗口级与受试者级平衡准确率(BAC)均达到约97.6%与100%,并在未见过的跨队列测试中表现出强泛化能力。该校准感知混合建模为临床医生指导下的精神分裂症筛查与评估提供了可靠、可迁移的受试者级EEG标记。
精神分裂症是一种慢性、异质性的精神障碍,给全球带来了沉重的功能与社会经济负担。目前,其临床诊断与分期仍主要依赖于半结构化访谈和症状评定量表,这些方法易受主观性、共病及症状随时间波动的影响。尤其在早期精神病阶段,误诊和延误治疗问题突出。脑电图(EEG)作为一种低成本、便携的无创技术,为我们窥视精神分裂症背后异常的神经同步性与功能连接失调提供了一个窗口,因此已成为计算生物标志物发现的核心模态。尽管基于EEG的计算机辅助诊断(CAD)系统发展迅速,涵盖了从经典机器学习到现代深度架构的各种方法,但许多现有流程仍依赖于单一的特征表征、模型组件的启发式调优,以及可能无法转化为具有临床意义的、个体化决策的窗口级评估。如何构建一个能够融合可解释生物标记与高容量深度嵌入、并进行联合优化与校准的可靠诊断框架,已成为推动该领域走向临床转化的关键挑战。
为了应对这些局限性,一项发表于《Brain Research Bulletin》的研究提出了一种新颖的、校准感知的混合CAD框架,旨在为精神分裂症提供可靠且可迁移的EEG诊断标记。该研究巧妙地融合了多分支深度学习的表征能力与可解释的手工艺生物标记,并通过一种创新的优化策略将特征选择、分类器配置与概率校准整合到一个统一的决策流程中。
该研究主要采用了以下几项关键技术方法:研究利用了MSU-SZ(84名青少年)和RepOD-SZ(28名成人)两个公开的静息态多通道EEG数据集。数据处理遵循严格的受试者级协议,包括伪迹处理、带通滤波(δ, θ, α, β, γ频段)以及重叠窗口分割(20秒窗口,5秒步长)。每个窗口通过连续小波变换(CWT)转换为时频尺度图,作为深度模型的输入。特征提取方面,研究构建了一个混合特征池,一方面从CWT尺度图中提取深度特征,使用了四个预训练的CNN骨干网络(EfficientNetV2-S, MobileNetV3-Large, ResNet-50)和一个Swin Transformer分支;另一方面,并行计算了手工艺的谱、复杂度和功能连接性特征。核心创新在于采用了特征-搜索混合的三倍反向算法(TOA-FSH),对融合后的高维混合特征池进行联合稀疏特征子集选择与k-最近邻(k-NN)分类器超参数优化。最后,对分类器的输出概率进行校准,并通过严格的受试者级聚合(而非窗口级)产生最终的个体化诊断决策。
研究结果
1. 模型性能卓越且可泛化
在MSU-SZ数据集上,经过TOA-FSH优化和校准后的最终模型,在窗口水平上达到了约97.6%的平衡准确率(BAC),在受试者水平上更是达到了100%的BAC。更值得注意的是,当模型仅在MSU-SZ上训练,而后直接在未见过的RepOD-SZ队列上进行测试(不进行任何重新训练)时,它再次取得了约97.6%的窗口级BAC和100%的受试者级BAC。这证明了该框架在统一的预处理和评估方案下,具有强大的跨队列泛化能力,这对于应对不同医疗中心采集协议差异的临床现实至关重要。
2. 消融分析揭示各组件增量价值
研究人员通过系统的消融实验,量化了框架中各个组件的贡献。结果表明,无论是单纯的CNN集成、加入Swin Transformer分支,还是进一步融合手工艺特征,以及最终应用TOA-FSH进行联合优化,每一步都为模型性能带来了显著的增量提升(ΔAcc)。这证实了研究假设:将(1)全局上下文建模(Transformer)、(2)局部判别性特征提取(CNNs)、(3)可解释的手工艺生物标记以及(4)联合优化与校准相结合,能够产生比任何单一表示都更可靠的受试者级决策。
3. 决策流程注重临床实用性
与许多仅优化窗口级准确率的研究不同,该框架明确将概率校准和受试者级聚合作为核心组成部分。概率校准提高了模型输出概率的可靠性,使其更贴合真实的发生可能性,这对于临床决策支持(例如风险评估)非常重要。而严格的受试者级评估与决策(确保训练、验证和测试集中的数据来自不同的受试者),有效避免了因数据泄露导致过于乐观的性能估计,使结果更贴近真实的临床应用场景。
结论与意义
这项研究成功地开发并验证了一个用于精神分裂症EEG检测的、端到端的校准感知混合CAD框架。其核心结论在于,通过将异构多分支深度嵌入(CNN集成 + Swin-Transformer)与可解释的EEG生物标记统一到一个候选特征空间中,并利用TOA-FSH进行约束性的联合“用何特征”与“如何决策”优化,能够在紧凑的特征预算和校准质量约束下,学习到稳定且临床可用的表征。最终经过校准的集成模型通过严格的受试者级聚合,产生了具有临床意义的个体水平后验概率。
该研究的重要意义体现在方法论和临床两个层面。在方法论上,它为解决当前EEG-CAD研究中普遍存在的特征与模型优化分离、过度依赖窗口级指标、缺乏跨数据集鲁棒性证据等问题提供了一个新颖的、决策中心的管道范例。在临床上,该框架所展现出的高准确性、卓越的跨队列泛化能力、经过校准的概率输出以及以受试者为中心的评估方式,共同指向其作为临床医生辅助工具的潜力,有望为精神分裂症,特别是早期和不典型病例的筛查、评估和鉴别诊断,提供一种客观、可靠且可转移的神经生理学标记。未来工作可进一步探索该框架在其他精神障碍(如重度抑郁症、双相情感障碍)鉴别诊断中的应用,并推动其在多中心、大样本前瞻性研究中的验证,以加速其向临床实践转化。