一种基于注意力机制GCN-GAT的可解释多模态图学习框架，用于基于脑电图的抑郁症检测

《Scientific Reports》：An explainable multi-modal graph learning framework with attention-based GCN-GAT for EEG-based depression detection

　　

摘要

重度抑郁症（MDD）在表型和神经生理学方面具有异质性，开发可靠的计算模型需要仔细控制信息泄漏、数据集异质性以及来自不同信息来源的贡献。本研究提出了一种受试者水平的多模态人群图学习框架，在该框架中，每个个体被建模为一个节点，个体间的关系被直接纳入学习过程。所提出的框架采用混合图卷积网络（GCN）–图注意力网络（GAT）架构，在严格泄漏控制的归纳评估下进行；每一折中的协调化、预处理、特征选择和图构建仅在训练数据上执行。除了分类任务外，研究设计还允许在单一框架内进行受控的模态贡献分析、数据集异质性和图拓扑的明确评估以及多种方法的解释性分析。在多模态分析中，完整模型达到了94.8?±?7.5%的准确率和0.907?±?0.134的马修斯相关系数（MCC），而其他分析显示性能存在显著的人群和模态依赖性。在训练集上拟合的协调化显著降低了线性数据集来源可分离性，尽管非线性数据集特有结构仍然存在。解释性分析还显示积分梯度和GradientSHAP之间具有高度一致性，而排列特征重要性提供了互补信息。总体而言，本研究的主要创新在于将受试者水平的关系建模、泄漏控制的评估、受控的多模态贡献分析、异质性和拓扑审计以及多种方法的解释性分析整合到一个统一的、可审计的框架中，而非声称绝对的架构优越性或单一的性能指标。