《Brain Sciences》：HDGNN-Mamba2: Mamba-Based Spatiotemporal Heterogeneous Dynamic Graph Neural Network for Major Depressive Disorder Classification
编辑推荐：
背景：重度抑郁症（Major Depressive Disorder, MDD）影响全球3.32亿人，其诊断仍依赖主观临床访谈，存在显著评估者间变异性。客观的神经影像模型归因区域为精准精神病学提供了路径，但现有计算方法常缺乏临床可解释性。方法：研究人员提出HD
背景：重度抑郁症（Major Depressive Disorder, MDD）影响全球3.32亿人，其诊断仍依赖主观临床访谈，存在显著评估者间变异性。客观的神经影像模型归因区域为精准精神病学提供了路径，但现有计算方法常缺乏临床可解释性。方法：研究人员提出HDGNN-Mamba2，一种基于Mamba的时空异质动态图神经网络。开发了具有交叉注意力融合的混合Mamba2-GNN模块，以捕获个体时空上下文特征并识别模型归因区域。构建了具有动态边更新的异质全局图模块，将个体脑特征与非成像表型信息（性别、年龄、教育程度）整合，通过个体间关系建模提取嵌入。引入异质图监督对比学习以增强判别能力。结果：在REST-meta-MDD数据集的533名受试者上评估，HDGNN-Mamba2在十折交叉验证中达到83.88%的准确率、86.52%的敏感度和80.85%的特异度。识别的模型归因区域包括前扣带皮层、海马旁回和丘脑。结论：HDGNN-Mamba2作为MDD分类的算法框架展现了具有竞争力的性能，在时空融合和可解释区域识别方面提供了互补的架构优势。
**研究背景及问题**
重度抑郁症（MDD）是一种常见精神障碍，全球约3.32亿人患病，但其诊断主要依赖主观临床访谈和自评问卷，存在评估者间变异大、早期诊断困难等问题。现有机器学习方法（如支持向量机、逻辑回归）虽用于MDD分类，但无法端到端学习且难以捕获脑网络的拓扑与时间特征。深度学习方法（如卷积神经网络、图神经网络（GNN））虽能自动提取特征，但传统模型（如Transformer）在处理长序列时计算复杂度高，且多数方法忽略了个体间非成像表型信息（如性别、年龄、教育程度）以及脑网络时空动态性的联合建模。为此，研究人员开展本研究，旨在开发一种融合时空特征与异质表型信息的图神经网络框架，以提升MDD分类性能并识别可解释的模型归因脑区。该论文发表在《Brain Sciences》。
**研究内容与结论**
研究人员提出HDGNN-Mamba2框架，该框架基于Mamba2（一种结构化状态空间序列模型）与GNN混合架构，通过交叉注意力融合机制联合建模功能磁共振成像（fMRI）时间序列的时空依赖关系，并构建异质全局图整合个体脑特征与多维度非成像表型数据（性别、年龄、教育程度），同时引入动态边更新与异质图监督对比学习模块增强判别能力。在REST-meta-MDD数据集（S20队列，共533名受试者，包括282名MDD患者与251名健康对照）上，HDGNN-Mamba2在十折交叉验证中达到83.88%的准确率、86.52%的敏感度、80.85%的特异度、0.8819的AUROC及0.8886的AUPRC，优于传统基线（如SVM、GCN、GAT等）及消融模型。通过自注意力池化层，研究人员识别出前扣带皮层、海马旁回、丘脑等与MDD病理生理学一致的模型归因区域。该框架为MDD分类提供了具有竞争力的算法基线，并展示了时空融合与异质关系建模的架构优势。
**主要关键技术方法**
1. **数据来源与预处理**：采用REST-meta-MDD数据集（S20队列，533名受试者），使用DPARSF工具包进行预处理（包括头动校正、T1配准、归一化到MNI空间、带通滤波0.01–0.1 Hz）。基于Power功能图谱将脑组织分割为264个感兴趣区（ROI），提取各ROI平均血氧水平依赖（BOLD）信号时间序列，并计算ROI间Pearson相关系数作为功能连接矩阵（邻接矩阵）。
2. **Mamba2-GNN混合模块**：该模块包含时间块（Conv-SSD层，基于Mamba2的卷积结构化状态空间模型）和空间块（图注意力网络及自注意力池化SAGPooling）。时间块捕获fMRI序列的时序依赖，空间块建模脑区间的空间拓扑。通过交叉注意力融合机制实现时间与空间特征的双向交互，并用可学习门控动态平衡两者贡献，最终保留Top-10个最具判别力的ROI作为模型归因区域。
3. **异质全局图模块（HGNN）**：以所有受试者为节点，基于性别、年龄、教育程度三种表型数据，通过聚类方法构建三种边类型（S-G-S、S-A-S、S-E-S）。引入动态边更新机制（每10个epoch基于余弦相似度更新邻接矩阵），并采用可学习门控融合静态表型先验与动态特征相似性。HGNN层使用注意力机制进行消息聚合与路径融合，输出受试者嵌入。
4. **异质图监督对比学习**：基于诊断标签构建正负样本对，通过对比损失（温度参数τ=0.5）促进同类嵌入靠近、异类远离，与交叉熵损失联合优化（平衡系数λ=0.1）。
5. **训练与评估**：十折分层交叉验证，训练内集进一步划分10%为验证集用于早停。所有数据依赖操作（聚类、图构建、边更新、对比学习）均限定于训练内集，测试集通过归纳推理嵌入。主要指标包括准确率、敏感度、特异度、AUROC、AUPRC。
**研究结果**
- **4.3 fMRI数据分类结果**：HDGNN-Mamba2在十折交叉验证中平均准确率0.8388±0.0542，AUROC 0.8819±0.0565，AUPRC 0.8886±0.0622。与SVM、GCN、GAT等基线比较，该方法在敏感度（86.52%）上优于MFGCN（82.73%），但F1分数略低（0.8490 vs 0.8528），体现了召回导向的权衡。
- **4.4 消融实验**：移除交叉注意力融合导致准确率下降5.17%，移除动态边更新下降4.35%，移除监督对比学习下降2.38%。完整模型优于仅用Mamba2-GNN（成像特征）的基线（+3.55%），而仅用HGNN（仅表型信息）的准确率仅0.5629（接近随机）。
- **4.5 人口学数据影响**：整合全部三种表型（性别、年龄、教育程度）的分类性能最佳，验证了多模态表型信息的互补性。
- **4.6 相关脑区分析**：通过自注意力池化层Top-10节点选择频率，识别出前扣带皮层、海马旁回、后扣带、丘脑等模型归因区域，这些区域与已有MDD研究一致，主要涉及边缘系统、额叶和丘脑。
**讨论与结论**
讨论部分指出：本研究提出的HDGNN-Mamba2框架通过交叉注意力融合实现时空双向交互，通过动态边更新与异质图整合表型信息，通过监督对比学习增强判别力。消融实验证实各模块的协同贡献。模型归因区域（前扣带、海马旁回、丘脑）与既往静息态fMRI研究一致，但需注意这些区域是基于模型注意力机制的选择频率，并非独立验证的生物标志物。局限性包括：单中心设计（REST-meta-MDD S20队列）限制泛化性；缺乏个体运动参数及详细临床表型；绝对Pearson相关忽略连接方向性；单次十折交叉验证缺乏多重随机重复。未来工作将在多中心数据中编码站点信息作为边类型，纳入更丰富临床表型，探索有向连接与补充归因方法，并进行多次重复实验与校准分析。
**结论（翻译）**：本研究提出了一种新颖的HDGNN-Mamba2框架，旨在区分MDD患者与健康对照。源自fMRI时间序列数据的时空特征对MDD分类至关重要。为实现端到端范式下的稳健预测性能，该网络通过融合多模态数据集（包括这些特征以及个体受试者的人口学与表型信息）构建异质图。此外，该方法能够识别与疾病分类相关的重要模型归因区域。首先，设计了具有交叉注意力融合机制的混合Mamba2-GNN模块，将Mamba与GNN相结合，以捕获来自fMRI数据的个体时空上下文特征并识别模型归因区域。Mamba模块高效处理序列数据中长程依赖的能力，结合选择性状态空间机制对输入序列进行编码和表示学习，使其能够捕获fMRI时间序列中的时间依赖关系。同时，Mamba2-GNN模块采用图注意力网络捕获跨脑区的空间关系，从而提取个体受试者脑区的时空特征。其次，构建了具有动态边更新机制的异质全局图以学习受试者间关系，其中嵌入向量由个体脑特征和非成像表型信息生成，共同构成多模态数据。通过自注意力机制聚合不同类型边的信息，获得整合多种特征类别的异质全局图网络嵌入表示。由于单中心数据集样本量有限，监督对比学习模块对分类性能的提升较为温和，作为主要分类损失的辅助增强。最后，HDGNN-Mamba2通过整合多模态数据（包括个体脑网络特征和全局受试者间关联特征）捕获最本质的嵌入特征，从而为MDD分类实现具有竞争力的性能。测试结果表明，HDGNN-Mamba2在十折交叉验证后达到83.88%的平均分类准确率。通过检查图池化层中贡献较大的节点，研究人员还识别出区分MDD患者与健康对照的关键脑区。此外，HDGNN-Mamba2可适应其他神经影像研究领域。这些优势促进了多种神经系统疾病的计算分类，并加深了对复杂神经疾病致病机制的理解。这些结果表明，HDGNN-Mamba2有望成为MDD分类研究的一个具有竞争力的算法基线。尽管该框架展示了判别性能并识别出神经生物学上合理的模型归因区域，但它并不构成临床验证的诊断工具。未来工作将纳入概率校准分析及独立多站点数据集的外部验证，以推进临床实用性。
