《Frontiers in Computational Neuroscience》：Interpretable deep learning for functional MRI-based auxiliary diagnosis of major depressive disorder with suicidal ideation
编辑推荐：
引言：重性抑郁障碍（MDD）患者的自杀意念（SI）在早期临床评估中常未得到充分识别，原因是其潜在神经生物学机制的复杂性以及缺乏互补的客观生物标志物。为解决这一问题，本研究提出一个可解释深度学习框架，旨在辅助诊断伴有自杀意念的MDD患者（MDDSI）并阐明其潜在
引言：重性抑郁障碍（MDD）患者的自杀意念（SI）在早期临床评估中常未得到充分识别，原因是其潜在神经生物学机制的复杂性以及缺乏互补的客观生物标志物。为解决这一问题，本研究提出一个可解释深度学习框架，旨在辅助诊断伴有自杀意念的MDD患者（MDDSI）并阐明其潜在神经机制。方法：采用改进的BrainNet卷积神经网络（CNN）架构，以源自静息态功能磁共振成像（resting-state fMRI）的全脑功能连接（FC）矩阵作为输入特征。随后应用梯度加权类激活映射（Grad-CAM）算法可视化关键脑区。研究对象包括356名MDDSI患者和107名无自杀意念的MDD患者（MDDNSI）作为对照组。结果：五折交叉验证表明，该模型在测试集上达到88%的准确率、95%的敏感性、85%的特异性以及0.93的曲线下面积（AUC）。特征可视化结果揭示，模型的分类决策主要依赖于运动皮层、前扣带回皮层、枕叶、颞叶、顶叶和小脑等区域的异常FC模式。讨论：本研究为MDDSI的辅助诊断和机制研究提供了有价值的参考。
研究背景：重性抑郁障碍（MDD）是一种常见的精神疾病，其自杀行为风险约为一般人群的20倍，而自杀意念（SI）作为关键临床预警指标，在早期评估中常因神经机制复杂且缺乏客观生物标志物而未被充分识别。传统研究多依赖群体水平比较分析，难以解释患者异质性，限制了个体化诊断。机器学习方法依赖手工特征，而深度学习在脑连接组建模中具有优势，但现有研究多基于传统机器学习，深度学习的潜力未被系统挖掘。因此，研究人员利用公开的Rest-meta-MDD联盟多中心数据集（包含356例伴有自杀意念的MDD患者（MDDSI）和107例无自杀意念的MDD患者（MDDNSI）），开发了一个基于静息态功能磁共振成像（resting-state fMRI）的可解释深度学习框架，旨在客观识别MDDSI并揭示其神经机制。该研究发表在《Frontiers in Computational Neuroscience》。
关键技术方法：主要技术方法包括：（1）使用Data Processing Assistant for Resting-State fMRI工具箱对fMRI数据进行预处理，包括时间层校正、头动校正、空间标准化、平滑及带通滤波，并基于AAL-116图谱提取全脑功能连接（FC）矩阵；（2）采用改进的BrainNet卷积神经网络（CNN）架构，包含边到边（E2E）、边到节点（E2N）和节点到图（N2G）三层，用于学习FC矩阵的拓扑特征；（3）应用梯度加权类激活映射（Grad-CAM）算法可视化对分类贡献最大的脑区；（4）通过五折交叉验证和留一站点验证（LOSO）评估模型性能，并采用合成少数类过采样技术（SMOTE）处理类别不平衡；（5）使用部分相关分析和Huber稳健回归评估FC与汉密尔顿抑郁量表（HAMD）自杀条目得分的关联。
研究结果：
3.1 人口学与临床特征：最终纳入356例MDDSI和107例MDDNSI患者，两组在性别分布上存在显著差异。详细的人口学和临床特征在表2中展示。
3.2 模型诊断性能：在独立测试集上，模型达到平均AUC为0.916，敏感性为0.952，特异性为0.851。校准曲线接近理想对角线，Hosmer-Lemeshow检验不显著（p=0.209），决策曲线分析显示净临床获益优于“全部治疗”或“不治疗”策略。LOSO验证表明模型在多数站点表现稳健（如站点12 AUC=0.96，站点19 AUC=0.95）。与随机森林、支持向量机、图卷积网络和图注意力网络相比，BrainNet CNN在准确率（88.22%）、敏感性（95.58%）和AUC（93.40%）上均显著优于其他模型。
3.3 判别性脑区可视化：Grad-CAM分析识别出最关键的脑区包括左侧舌回（相对贡献值0.6605，远高于其他区域）、右侧楔叶、左侧额上回内侧、双侧中央后回、右侧颞上回、右侧小脑4_5区等。这些区域主要位于默认模式网络、突显网络、视觉处理网络和小脑。
3.4 FC与SI严重程度的关联：控制年龄和性别后，部分相关分析发现，其中20个FC与HAMD自杀条目得分显著相关（FDR校正p<0.05）。这些连接主要涉及Grad-CAM突出区域与海马、海马旁回、楔前叶、额叶及扣带回等区域之间的相互作用。例如，颞上回-海马连接（ρ=0.2513），舌回-海马旁回连接（ρ=0.1830），小脑4_5区-海马连接（ρ=0.2122）等。在MDDSI亚组中，更强的FC值与更高的SI严重程度呈正相关。
讨论与结论：讨论部分指出，本研究的深度学习框架相比先前机器学习模型（准确率约70%-75%）有显著提升。特征可视化发现左侧舌回贡献值最大，可能反映MDDSI患者对消极视觉信息的病理性偏见，并通过其与海马旁回和海马的连接放大。额上回内侧（默认模式网络关键枢纽）的高贡献可能与病理性反刍和增加的自参照加工有关。小脑连接异常（特别是与额叶、颞叶、楔前叶、海马旁回和边缘区域）揭示了小脑通过小脑-大脑环路在情绪调节和认知控制中的关键作用。研究局限性包括横断面设计、基于单个HAMD条目的SI分类缺乏粒度、以及未考虑合并症等混杂因素。结论：本研究开发了一个基于静息态fMRI的可解释深度学习框架用于MDDSI辅助诊断。利用大型多中心数据集和多种验证策略，BrainNet CNN模型表现出稳健的分类性能。Grad-CAM的集成使得能够识别和可视化对模型预测贡献最大的脑区，从而增强了神经生物学可解释性。结果揭示了小脑、默认模式网络和视觉处理网络的功能连接（FC）显著改变，这些连接模式与汉密尔顿抑郁量表（HAMD）自杀条目得分评估的SI严重程度相关联。综上，这些发现为精神疾病神经影像生物标志物的可解释人工智能技术应用引入了新的方法学框架，并强调了可解释深度学习模型在支持MDD患者自杀风险客观评估中的潜力。
