CST-GCNN：用于精神分裂症分类的时空连接组图网络

《IEEE Transactions on Aerospace and Electronic Systems》：CST-GCNN: Spatio-Temporal Connectome Graph Network for Schizophrenia Classification

　　

精神分裂症（Schizophrenia，SCZ）日益被视为一种大规模脑网络连接失调的疾病，然而现有的机器学习和基于图的模型通常依赖于静态连接性表征，无法捕捉其动态和多关系特性。本研究通过引入一种连接组时空图卷积神经网络（Connectome Spatio-Temporal Graph Convolutional Neural Network，CST-GCNN）来弥补这一空白，该网络旨在联合建模脑功能连接的结构性和时间性波动。本研究的目的是开发一个基于动态连接组的分类框架，能够区分精神分裂症患者和健康对照者，同时提供可解释的神经生物学见解。研究使用了来自COBRE数据集的静息态功能磁共振成像（fMRI）和扩散张量成像（DTI）数据，以构建时变功能连接矩阵和静态结构图。CST-GCNN整合了多关系图结构学习、时间卷积和融合模块，以捕捉跨脑区的演化连接模式。实验结果表明，与本研究考虑的基线模型相比，CST-GCNN实现了更好的性能，其准确率为91.2%，召回率为92.2%，受试者工作特征曲线下面积（AUROC）为0.897。消融研究证实了时间建模和多图整合在所提出模型中的各自贡献。判别性区域分析突出了精神分裂症在默认模式网络、凸显网络和额叶-边缘环路中的异常，这些与精神分裂症的病理生理学相关。CST-GCNN模型证明了动态图建模在精神病神经影像学中的有效性，并显示出在临床决策支持、生物标志物发现和未来多模态扩展方面的强大潜力。

**论文解读：CST-GCNN——用于精神分裂症分类的时空连接组图网络**

**一、 研究背景与意义**

人脑连接组（Connectome）作为刻画大脑内部复杂连接的有效模型，已成为神经科学研究的前沿领域。它将大脑抽象为由神经节点和连接构成的网络，为理解认知功能与精神障碍的神经基础提供了关键框架。精神分裂症（Schizophrenia，SCZ）是一种复杂的精神疾病，其特征包括认知功能、感觉知觉和情绪调节的紊乱。越来越多的证据表明，精神分裂症与大规模脑网络的功能连接异常（即“连接失调”）密切相关。传统的神经影像分析方法，如基于静态功能连接矩阵的机器学习模型，往往忽略了脑功能连接固有的动态变化特性以及脑区之间可能存在的多种关系模式（如基于空间距离的结构连接、基于时间模式的功能连接等）。这种静态、单一关系的表征方式，可能无法充分捕捉精神分裂症所涉及的、随时间演变的复杂网络紊乱模式。因此，开发能够同时建模脑连接时空动态特性和多关系结构的计算框架，对于提升精神分裂症的自动诊断准确性、挖掘其背后的神经生物学机制具有重要的理论价值和临床意义。本项研究旨在解决上述问题，相关成果发表在《IEEE Transactions on Aerospace and Electronic Systems》上。

**二、 主要技术方法概述**

研究人员提出了一种新颖的连接组时空图卷积神经网络（CST-GCNN）。该模型的核心在于将大脑的结构与功能连接表征为动态的时空图。研究利用公开的COBRE数据集，该数据集包含72名精神分裂症患者和75名健康对照者的静息态fMRI和DTI数据。主要技术方法包括：1. **多关系图结构学习**：构建了三种类型的脑区关系图——基于DTI的静态距离图（反映脑区空间邻近性）、基于fMRI时间序列相似性的静态模式图（反映脑区功能活动模式的相似性），以及通过张量分解学习的动态周期图（捕捉随时间变化的连接模式）。2. **时空卷积与融合**：采用扩张因果卷积（Dilated Causal Convolutions）处理时间维度的fMRI信号，捕捉动态功能连接；采用切比雪夫图卷积（Chebyshev Graph Convolution）处理空间维度的脑网络拓扑结构。通过专门设计的多融合模块，将来自不同关系图的时空特征进行有效整合。3. **分类与可解释性分析**：最终通过分类层实现精神分裂症患者与健康对照的二分类。此外，通过计算节点级显著性和连接重要性，识别对分类决策贡献最大的脑区与功能连接，从而提供神经生物学解释。

**三、 研究结果**

**A. 模型性能比较**
实验结果表明，CST-GCNN在分类性能上全面优于多种基线模型。与静态的简单图卷积网络（GCN）相比，CST-GCNN在准确率（91.2% vs. 90.1%）、召回率（92.2% vs. 90.5%）和F1分数（91.3% vs. 90.3%）上均有提升，其AUROC达到0.897。与近期其他图神经网络模型（如GAT-Connectome、ST-GNN、MV-GCN）相比，CST-GCNN在所有评估指标（准确率、精确率、召回率、F1分数、AUROC）上均表现最佳，证明了联合建模时空动态和多关系结构的优越性。

**B. 判别性脑区与连接分析**
模型的可解释性分析揭示了与精神分裂症病理生理学高度相关的脑网络。节点重要性分析表明，默认模式网络（如内侧前额叶皮层、后扣带回皮层）、凸显网络（如前扣带回皮层、脑岛）以及额叶-边缘回路（如背外侧前额叶皮层、海马、杏仁核）的脑区对分类贡献最大。功能连接重要性分析进一步指出，海马-杏仁核、前扣带回-海马、内侧前额叶-海马等边缘系统相关的连接是最具判别性的功能连接对。这些发现与已知的精神分裂症神经认知模型（如凸显网络假说、边缘系统功能障碍）高度一致。

**C. 消融研究**
消融实验系统评估了CST-GCNN各组件的重要性。移除时间卷积模块（仅保留空间图卷积）导致模型性能显著下降（AUROC从0.897降至0.872），这凸显了捕捉功能连接动态波动的重要性。反之，移除空间图结构（仅保留时间卷积）同样损害了性能，证实了脑网络拓扑结构信息的必要性。此外，移除注意力机制或融合模块也会导致性能不同程度的降低，表明多关系特征的选择性融合对于提取判别性模式至关重要。这些结果共同验证了CST-GCNN架构设计的合理性与必要性。

**四、 讨论与结论**

讨论部分综合评估了CST-GCNN的统计显著性和神经生物学合理性。统计检验表明，CST-GCNN的性能显著优于逻辑回归等传统机器学习模型。虽然与静态GCN的AUROC差异在统计上不显著，但CST-GCNN展现了更稳定的性能跨验证折。这强调了动态建模在提升模型鲁棒性方面的价值。模型识别出的关键脑区与连接，与精神分裂症研究中广泛报道的异常脑网络高度吻合，这不仅增强了模型预测结果的可信度，也为其作为潜在的生物标志物发现工具提供了支持。

**研究结论指出**：本研究提出了一种连接组时空图卷积神经网络（CST-GCNN），旨在通过模拟功能性和结构性脑网络的动态、多关系架构来对精神分裂症进行分类。CST-GCNN通过结合空间图拓扑、时变功能连接和多关系图学习，在多项评估指标上展现了强大的判别性能。与传统的机器学习方法和静态图神经网络相比，该模型实现了更优的分类准确率、敏感性和AUROC，突出了动态功能交互相较于固定连接表征的重要性。此外，CST-GCNN还提供了有用的神经生物学解释。判别性脑区分析结果表明，该模型能够持续识别出与精神分裂症病理生理学相关的区域和子网络，特别是那些涉及海马、杏仁核、内侧前额叶皮层、前扣带回皮层和脑岛的回路。这些网络支撑着记忆整合、凸显检测、情绪调节和执行控制等重要认知与情感过程。这些区域的反复出现，凸显了时空连接组建模在捕捉构成精神分裂症特征的分布式且动态变化的连接失调方面的能力。

尽管性能强劲，但仍存在一些局限性需要考虑。研究人员仅使用了COBRE数据，这虽然是常用数据集，但属于单中心采集环境。未能充分代表扫描仪变异性、人口统计学多样性和疾病亚型间的临床异质性，这可能限制了模型的泛化能力。此外，动态功能连接是通过滑动窗口相关性来近似的，这可能无法完全捕捉快速的神经状态转换或非平稳活动模式。未来的工作可以扩展到多模态数据融合、更精细的时间动态建模，并在更大规模的多中心数据集上进行验证，以推动该框架向临床决策支持工具的转化。