CroIPNet：用于神经发育障碍理解的跨站点个体 - 群体图整合网络

《Pattern Recognition》：CroIPNet: Cross-site Individual-Population Graph Integration Network for neurodevelopmental disorder understanding

　　

• 提出了一种感知异质性的个体 - 群体图框架，用于基于多站点 fMRI 的 NDD 诊断。
• 双层图建模在多站点变异性下联合捕捉个体特异性动态和群体水平先验。
• 采用对比学习以减轻站点间异质性并增强表示的鲁棒性。
• 基于注意力的门控融合机制自适应地平衡个性化和全局信息。
• 该方法在 ABIDE 和 ADHD-200 数据集上，跨越不同的脑图谱，取得了一致的性能提升。
引言
神经发育障碍（NDDs）是一组通常在儿童期开始并可能持续终生的状况，显示出全球持续的高患病率 [1]。由于公众意识低、长期功能影响、频繁共病以及显著的异质性，NDDs 对公共卫生构成了巨大挑战。传统的诊断方法依赖于主观的临床评估，容易发生延误和不一致，特别是考虑到这些疾病的细微和多样化表现 [2]。功能性磁共振成像（fMRI）提供了一种非侵入性的观察大脑活动的方法，通过捕捉血氧水平依赖（BOLD）信号。这些信号动态地揭示大脑功能连接的变化，有助于识别神经生物学标志物 [3]。fMRI 量化大脑功能的能力使得更准确的诊断成为可能，并减少了与观察者相关的变异性。
大规模多站点 fMRI 数据的可用性允许更大的样本量，从而扩大了神经影像学研究的范围和对 NDDs 的统计效力。然而，成像中心之间扫描硬件、采集协议和人口组成差异引入了站点间异质性 [4]。因此，即使经过标准预处理，来自不同站点的样本也可能表现出不同的分布，这阻碍了从汇集的多站点数据中进行可靠的学习 [5]。这一问题激发了学习显式考虑采集相关变异性的站点鲁棒表示的动力。
已经开发了几种回顾性机器学习方法来解决这一问题，主要分为三类：(i) 站点无关的浅层和深层模型，包括传统 ML 和通用 DL 架构，它们在汇集的多站点数据上进行训练，而不建模站点特定效应；(ii) 站点无关的基于图的方法，它们利用脑网络的图表示，但在训练和推理过程中通常忽略站点间变异性；(iii) 站点感知的协调和适应技术，它们显式考虑站点间的分布偏移，使用诸如领域适应、对抗对齐或联邦学习等策略。
第一类由站点无关的浅层和深层模型组成，它们在汇集的多站点数据上进行训练，而不显式建模站点间变异性。这些模型假设站点同质性，因此无法考虑由扫描仪或人口差异引起的分布偏移。传统模型如支持向量机（SVM）和随机森林（RF）通常以静态功能连接（FC）表示为中心，但忽视了大脑的动态和非线性本质 [6]。尽管深度学习方法如卷积神经网络（CNNs）[7] 和循环神经网络（RNNs）[8] 提供了更好的时间建模，但它们通常是在汇集的多站点数据上进行训练。这些模型在面对站点特定的分布偏移时会导致泛化能力差。
第二类包括站点无关的基于图的方法，它们使用图神经网络（GNNs）对大脑连接进行建模。这些方法包括个体级图 [9]，其中脑区是节点，边反映受试者内连接，以及群体级图 [10]，其中每个受试者是一个节点，通过人口或临床相似性连接。虽然在捕捉神经拓扑结构方面有效，但这些方法大多在汇集的多站点数据上进行训练，而不显式建模站点特定变异性，限制了它们在异质采集条件下的鲁棒性。
第三类涵盖站点感知的协调和适应技术，显式建模跨站点变异性。例如，MC-NFE [11] 通过 SVD 分解引入站点特定成分以考虑站点效应，而 BrainDAS [12] 和 FedDA [13] 采用对抗和联邦学习技术来对齐跨站点的数据分布。尽管有效，但这些方法面临几个阻碍实际采用的限制：它们通常依赖静态功能连接，缺乏端到端可训练性，存在丢弃生物学相关信息的风险，很少在外部数据集上验证，并且倾向于将站点变异性视为事后考虑，而不是基本设计考量。
为解决这些限制，我们引入了 CroIPNet，一种用于 NDDs 的跨站点个体 - 群体图集成网络。与将个体和群体图分开处理或忽略站点异质性的先前方法不同，CroIPNet 在一个统一的端到端框架内联合建模受试者特定的神经动态和群体水平站点结构。其新颖性不仅在于同时使用个体和群体图，而在于在异质多站点条件下统一了多尺度动态建模、站点感知对比正则化和自适应双图融合。个体图捕捉每个受试者特定的静态和动态连接，而群体图代表从汇集的多站点数据中学习到的共享结构，并具有显式的站点感知建模。一个门控注意力融合模块在异质多站点条件下自适应地平衡个体和群体特征，以实现鲁棒的分类。
• 多尺度个体图编码。我们使用 LSTM 和 Transformer 时间建模对受试者特定的静态 FC 和多尺度动态 FC 进行编码，图谱定义的 ROI 提供神经解剖学先验。
• 站点感知群体图构建。我们使用站点监督对比学习和人口相似性，在群体水平聚合之前构建可靠的跨受试者关系稀疏图。
• 自适应个体 - 群体融合。我们使用注意力引导的门控将个体和群体表示端到端组合，产生一种对多站点异质性具有鲁棒性的疾病判别表示。
章节片段
用于 NDD 预测的站点无关浅层和深层模型
这一类涵盖了早期的机器学习和深度学习方法，它们在汇集的多站点数据上进行训练，而不建模站点特定效应。这些方法隐式假设站点间同质性，并仅应用基本的归一化步骤来减少变异性。传统机器学习方法，如 SVM [14] 和 RF [15]，通常依赖于从静态 FC 矩阵推导的手工特征。虽然它们揭示了早期的标志物 [16]，但它们捕捉的
相关定义
为清晰起见，我们定义 CroIPNet 中使用的个体和群体图。
定义 1 个体图 GI
对于每个受试者，个体图表示为 GI=(AI,FI)，其中 AI 是 ROI 级功能连接（FC）邻接矩阵，FI 是对应的节点特征矩阵。CroIPNet 将静态和动态表示组合为 AI=AIS⊙AID,FI=FIS+FID，其中 (AIS,FIS) 和 (AID,FID) 分别表示静态和动态图表示。动态特征是从多尺度
数据集和数据预处理
我们利用了两个公开可用的 rs-fMRI 数据集：ABIDE I（自闭症脑成像数据交换）和 ADHD-200，收集自多个国际成像站点。ABIDE I 通过国际神经影像学数据共享倡议（INDI）ABIDE 项目网站（https://fcon_1000.projects.nitrc.org/indi/abide/）公开可用，ADHD-200 通过 INDI ADHD-200 项目网站（https://fcon_1000.projects.nitrc.org/indi/adhd200/）和相关的 NITRC
讨论
本节总结了 CroIPNet 如何捕捉个性化神经特征并通过区域变异性分析识别候选标志物。这些分析支持了所提出框架的有效性和临床相关性。
附录 J 中还提供了关于安全性、可靠性和临床前验证要求的额外讨论。
结论
在本研究中，我们引入了 CroIPNet，一种用于基于 fMRI 的 NDD 诊断的跨站点个体 - 群体图集成网络。CroIPNet 通过个体和群体脑图对 BOLD 依赖性进行建模，而注意力引导的融合自适应地平衡个性化和群体水平信息。在 ABIDE/ADHD-200 和 AAL/CC200 设置下，CroIPNet 显示了对抗最近基线如 CroMDBN, CAGT, HGST, KMGCN, Brain Transformer 和 BrainMass 的竞争性性能。
虽然
CRediT 作者贡献声明
Kai Wu: 写作 – 审阅 & 编辑，写作 – 原稿，可视化，验证，监督，软件，资源，形式分析，数据整理，概念化。Hong Wang: 写作 – 审阅 & 编辑，写作 – 原稿，监督，项目管理，方法论，调查，资金获取，形式分析，数据整理，概念化。Tianyu Liu: 调查，形式分析。Fulin Zheng: 验证，监督，资源。Yanshen Sun: 监督，
竞争利益声明
作者声明他们没有任何已知的竞争经济利益或个人关系，这些关系可能看起来影响了本论文报道的工作。
致谢
这项工作得到了国家自然科学基金（编号 62072290, 61672329, 62573277）、山东省青年科学基金项目（编号 ZR2022QF022）和济南"20 所新高等院校”资助项目（编号 202228110）的支持。
Kai Wu|Hong Wang|Tianyu Liu|Fulin Zheng|Yanshen Sun