基于知识图谱与大语言模型的fMRI脑功能神经影像研究分析

《Bioengineering》：Knowledge Graph and Large Language Model-Based Analysis of fMRI Brain Functional Neuroimaging Research

　　

多模态神经影像研究的快速增长产生了碎片化的文献，限制了对跨模态关系与疾病特异性知识结构的系统性刻画。为解决该问题，研究人员从1838篇同行评审研究（2016–2026年，涵盖fMRI、EEG、fNIRS与PET）构建了多模态神经影像知识图谱，采用基于大语言模型（LLM）的抽取与检索增强（RAG）语义合并流程。所得图谱包含4190个节点与7007条边，呈无标度拓扑，最大弱连通分量覆盖76.6%的节点。阿尔茨海默病、海马体与fMRI/PET成为连接疾病、解剖与方法学维度的最中心枢纽。Louvain社区检测识别出25个功能模块，其中7个主要社区——以阿尔茨海默病生物标志物整合、分子/体液成像及精神科功能连接为中心——构成该领域的核心结构。跨模态分析显示fMRI与PET耦合最强，表明方法学收敛度高。在疾病层面，阿尔茨海默病表现出成熟、分层组织的生物标志物系统，而重度抑郁障碍与慢性疼痛呈现弥散、整合度较低的知识结构。这些结果揭示了神经影像研究领域间的显著差距，并证明LLM增强的知识图谱能系统性揭示与多模态整合及生物标志物发现相关的潜在结构组织。

研究背景方面，脑成像技术快速发展为认知神经机制与脑疾病病理基础提供了关键工具，fMRI、EEG、fNIRS与PET分别从空间、时间、光学与分子层面提供互补视角；然而单模态仅捕获脑活动的局部视图，且多模态文献呈指数增长、异质性强、表征不一致，传统叙述性综述依赖人工、主观且难以计算查询，导致跨模态与跨疾病潜在关联难以揭示。为此，研究人员缺乏统一框架整合多模态证据，提出结合大语言模型（LLM）与知识图谱（KG）的知识发现框架，对fMRI、EEG、fNIRS、PET文献进行结构化组织与跨模态对齐，以支持生物标志物与临床模式发现。该研究发表于《Bioengineering》。

关键技术方法上，研究人员从PubMed、Web of Science、Scopus、PsycINFO检索2016年1月至2026年5月同行评审文献，经PRISMA筛选保留1838篇原始研究（要求fMRI联合至少一种其他模态、报告任务诱发神经响应）。采用五阶段流程：文献获取、知识抽取、语义合并、图谱构建与统计分析。知识抽取阶段以DeepSeek-V3.1（温度=0）对标题/摘要/关键词拼接文本做模式约束提示工程，输出JSON三元组；实体归一化采用RAG结合余弦相似度阈值0.85合并同义实体，节点支持度≥3、关系支持度≥2保留；最终在NetworkX 3.2.1实例化为有向图，用Fruchterman–Reingold布局可视化，并以Louvain（随机种子42）做社区检测，辅以度/介数/聚类系数/特征向量中心性计算。

研究结果部分，3.1节文献检索与筛选结果显示数据库检索14891条、引文追踪补6081条，去重后20972条进入PRISMA流程，最终1838篇入选。3.2节知识抽取实现与结果显示，定义6类实体（神经影像模态、脑区、临床疾病、诊断标记、治疗靶点、融合方法）与7类关系（DIAGNOSTICALLY SYNERGIZES、SPATIALLY COMPLEMENTS、TEMPORALLY INFORMS、FUSES WITH、TREATMENT GUIDES、CONVERGES WITH、CONTRADICTS）；原始抽取21951节点/17259关系，经支持度过滤得4190节点/7007关系，JSON解析率99.18%，人工验证节点精度88.2%、关系精度85.6%（Cohen’s κ=0.76）；Diagnostic Marker占实体33.70%，DIAGNOSTICALLY SYNERGIZES占关系41.1%。3.3节图谱拓扑分析显示密度3.99×10^?4，最大弱连通分量3209节点（覆盖76.6%），阿尔茨海默病度767为最中枢纽，fMRI度366、amyloid-β PET度320次之；海马体（度121）、前额叶皮层（度63）、前扣带回（度56）为核心脑区枢纽；fNIRS子图密度最高（0.0105）而EEG子图聚类系数最低（0.0281）。3.4节社区检测得模度0.5525、25个社区，7大社区占节点62.6%：社区1为阿尔茨海默病多模态诊断核心（DIAGNOSTICALLY SYNERGIZES占67.1%），社区2为分子成像与体液标记（amyloid-β PET、tau-PET、CSF Aβ42、血浆p-tau181/p-tau217，对应AT(N)框架），社区3为重度抑郁障碍静息态功能连接（FUSES WITH占26.7%），社区4为EEG跨疾病智能诊断（CNN节点突出），社区5为EEG–fNIRS时空融合（FUSES WITH占35.9%），社区6为fMRI–PET空间互补（跨模态边占72.3%），社区7为FDG-PET与结构MRI融合（含CSF标记与前扣带回）。3.5节跨模态一致性分析显示fMRI–PET直接跨模态边401、共享邻点189最多，fMRI–fNIRS边密度0.281%最高，EEG–PET边密度0.017%最低但共享邻点104。3.6节疾病候选生物标志物分析显示，阿尔茨海默病子图度767且分层完整（amyloid-β PET度320、tau-PET度156、MCI度124），重度抑郁障碍子图以功能网络与双相障碍重叠为主、缺分子标记中心，慢性疼痛子图规模最小、以痛严重度/中枢痛处理/痛-情绪回路为主、fNIRS关联诊断标记。

讨论与结论部分，研究人员指出阿尔茨海默病依托AT(N)框架使PET/MRI/CSF/血液标记跨模态收敛，形成成熟整合结构，支持“血液p-tau217筛查→Aβ-PET确认→静息态fMRI评估功能网络”三层诊断路径；重度抑郁障碍与慢性疼痛知识弥散，反映其生物标志物尚未固化、依赖系统级功能指标。该LLM+KG框架证明可系统性揭示多模态神经影像潜在结构组织，为证据整合、生物标志物发现与临床转化提供可计算基础。