《Frontiers in Neuroscience》:Structural connectome analysis using a graph-based deep model for prediction of non-imaging variables
编辑推荐:
研究人员提出了一种基于图卷积网络(GCN)的深度学习模型,用于从扩散磁共振成像(dMRI)衍生的脑结构连接组中预测非影像变量。研究选取年龄与简易精神状态检查(MMSE)评分分别作为人口统计学与临床变量的预测目标。该模型采用并行GCN机制的多分支结构,并在架构中
研究人员提出了一种基于图卷积网络(GCN)的深度学习模型,用于从扩散磁共振成像(dMRI)衍生的脑结构连接组中预测非影像变量。研究选取年龄与简易精神状态检查(MMSE)评分分别作为人口统计学与临床变量的预测目标。该模型采用并行GCN机制的多分支结构,并在架构中引入了创新性的连接注意力模块(CAB),能够学习脑图的嵌入表征并提供图级注意力。实验在公开数据集PREVENT-AD与OASIS3上进行,并通过与现有方法的比较及消融实验验证模型性能。结果表明,该模型在年龄预测任务中显著优于传统机器学习方法及包括图与非图结构的深度学习方法,揭示了连接组在不同预测任务中的差异特征,有助于深入理解人群健康与疾病状态。
研究背景与意义
脑结构连接组是刻画脑区间白质通路的解剖连接全景图,反映了支持信息传输的网络基础。近年来,其在神经发育、老化及阿尔茨海默病(AD)、精神分裂症、自闭症谱系障碍等疾病研究中的应用日益广泛。然而,连接组数据具有高维、非欧几里得特性,给变量预测带来挑战。传统卷积神经网络(CNN)在处理此类数据时表现有限,而标准图卷积网络(GCN)受限于固定图拉普拉斯算子,存在泛化能力不足与深层过平滑问题。图注意力网络(GAT)虽引入自适应边权重,但在密集脑图上计算开销大且难以捕捉长程依赖。针对这些问题,研究人员提出了一种结合残差GCN(ResGCN)、全连接层与连接注意力模块(CAB)的新型图深度学习架构,以提升年龄与MMSE评分预测的精度与可解释性,相关成果发表于《Frontiers in Neuroscience》。
关键技术方法
研究使用两个公开纵向神经影像数据集:PREVENT-AD(347名受试者,共789次扫描)与OASIS3(771名受试者,共1294次扫描)。预处理阶段采用FreeSurfer进行结构像分割,得到85个脑区作为图节点,并利用CSA-ODF与Hough全局概率纤维追踪构建对称结构连接矩阵。节点特征融合平均分数各向异性(FA)、表观扩散系数(ADC)、体积及节点度等信息。模型由四个模块组成:双分支ResGCN提取多层次图特征;独立全连接层(FC1)学习无结构约束的节点特征;CAB通过秩一投影与注意力掩码实现全局连接权重优化;整体跳跃连接缓解梯度消失。损失函数结合Huber损失与针对注意力掩码的稀疏正则项。模型参数规模约5000左右,训练过程中加入高斯噪声以增强鲁棒性。
研究结果
交叉验证与未见测试集实验结果
在PREVENT-AD与OASIS3的年龄预测任务中,所提模型在多数指标上均优于传统机器学习与先进图深度学习方法,尤其在皮尔逊相关系数(PC)与斯皮尔曼相关系数(SC)上提升显著。MMSE预测任务因数据分布偏斜,传统方法(如支持向量回归SVR)表现略优,但所提模型仍优于其他深度学习方法。
消融实验
移除ResGCN模块导致年龄预测相关性显著下降,表明图结构建模对捕捉脑区间依赖至关重要;去除CAB则明显增加预测误差,证明其自适应加权对识别与任务相关的连接模式具有关键作用。MMSE任务的消融变化较小,反映其预测对架构复杂度依赖较低。
定性结果
散点图显示,所提模型的预测值与真实值最为接近身份线,且误差分布集中,验证了其在不同数据集上的稳定性。
CAB学习到的注意力模式
CAB在不同任务中自动聚焦于特定脑区:年龄预测时右海马权重最高,MMSE预测时左后扣带皮层权重最大,与已有文献关于老化与认知衰退的神经基质发现一致。
超参数与训练时间比较
模型在参数规模与单轮训练时间上与其他图深度学习方法相当,且在部分任务中实现了更高的效率与性能平衡。
讨论与结论翻译
研究人员认为,结合ResGCN、全连接层与CAB的多分支架构能够有效克服单一GCN或GAT在脑连接组分析中的局限,既保留局部结构信息,又通过全局注意力机制突出关键连接。年龄预测任务对图结构依赖更强,而MMSE预测受数据分布限制较大,模型优势相对减弱。CAB提供的区域注意力权重具有潜在生物学解释性,可用于识别与特定表型相关的脑网络子模块。未来工作将探索更多图卷积机制、提升跨数据集泛化能力,并结合连接组协调技术进一步验证模型的临床适用性。