DPGR-Net：用于重度抑郁症识别的解耦群体引导图神经网络

《Neural Networks》：DPGR-Net: A Decoupled Population-Guided Graph Neural Network for Major Depressive Disorder Identification

　　

摘要

重度抑郁症（MDD）是一种大脑疾病，具有显著的个体异质性，其准确诊断在临床实践中仍然具有挑战性。基于静息态功能磁共振成像（rs-fMRI）数据构建的功能脑网络（FBNs），并应用图神经网络的方法在MDD诊断方面显示出前景。然而，在多中心环境中，中心差异往往与疾病相关信息交织在一起，这不仅干扰了模型对疾病模式的学习，也损害了个体FBNs中拓扑模式的可靠建模，从而限制了识别性能。为解决这一问题，我们提出了一种用于MDD识别的解耦群体引导图神经网络，具有动态优化功能（DPGR-Net）。具体而言，DPGR-Net首先从rs-fMRI数据构建个体FBN，并学习判别性的被试级脑图表示。为减轻中心效应的干扰，我们在群体水平上将疾病相关的关联与中心相关的变异进行解耦，并施加独立约束以学习更稳定的跨中心疾病判别表示。在此基础上，我们创新性地为个体脑图设计了群体引导的动态优化机制，将群体水平上学习到的稳定疾病判别信息反馈到个体脑图的结构更新中，从而增强疾病相关的连接同时抑制中心相关的噪声连接。在公开REST-meta-MDD数据集上的实验结果表明，该方法达到了92.37%的准确率（ACC），并优于现有的最先进方法。此外，DPGR-Net识别出与MDD相关的判别性脑区及异常功能连接模式，从而推进了rs-fMRI在MDD诊断中的可解释性和临床应用价值。

引言

重度抑郁症（MDD）是一种致残性精神障碍，严重损害患者的认知功能和社交适应能力（Mulders等人，2015）。研究表明，MDD的神经病理机制与脑功能的复杂异常密切相关，并表现出显著的个体异质性（Noman等人，2024）。然而，当前临床诊断主要依赖基于症状的评估和临床医生的判断，缺乏对潜在神经生物学异常特征的客观表征（Zhang等人，2023）。这限制了对复杂疾病相关功能变化和个体差异的捕捉能力。

近年来，静息态功能磁共振成像（rs-fMRI）脑网络分析已成为研究神经病理机制和辅助临床诊断的重要途径（Ganaie, Tanveer, 2024; Malik, Ganaie, Tanveer, Suganthan, 2024; Tanveer, Ganaie, Beheshti, Goel, Ahmad, Lai, Huang, Zhang, Del Ser, Lin, 2023）。在这类研究中，通常将感兴趣区（ROIs）定义为网络节点，并基于血氧水平依赖（BOLD）信号区域间统计依赖性构建功能连接（FC）网络，从而表征个体水平的脑功能组织模式（Li, Liu, Tang, Lei, 2020; Liu, Cui, Chen, Ma, Dong, Cai, Li, Hu, 2024; Yan, Zhang, Xia, 2025）。随着图神经网络（GNNs）在建模非欧几里得结构化数据方面的快速发展（Li, Liu, Jiang, Liu, Lei, 2022; Si, Wang, Liu, Zhang, Qiao, 2025; Tanveer, Rashid, Ganaie, Reza, Razzak, Hua, 2022），基于个体脑图的分析已成为脑障碍识别的重要范式。例如，BrainGNN（Li等人，2021）在个体脑图上引入了ROI感知的图卷积和节点选择机制，这不仅提高了脑障碍识别性能，还增强了关键脑区及其连接模式的可解释性。此外，Zhang等人（2026）提出了一种基于图对比学习的个体脑图分析方法。通过构建双视图拓扑增强策略，该方法提高了模型表征个体间FC差异的能力，从而为脑障碍诊断中异常脑网络模式的识别提供了更有效的表征学习框架。这些方法从被试级功能脑网络（FBNs）中学习拓扑表示，能够更有效地利用脑网络的拓扑组织，为脑障碍识别提供有效的个体化表示（Jiang, Zhou, Zhang, Qiao, 2026; Ma, Wang, Cao, Li, Zhang, Qiao, Liu, 2023）。然而，其高性能往往依赖于在一致条件下采集的相对小规模的单中心数据集（Ren等人，2025）。在临床实践中，大规模rs-fMRI数据通常采集自多个中心。由于扫描仪、采集协议和预处理程序的差异，多中心rs-fMRI数据往往表现出中心效应，这可能成为与疾病相关模式交织在一起（Lin等人，2023）。因此，在单中心数据上训练的模型对中心异质性较为脆弱，导致泛化性降低和生物学解释不可靠。

为了更好地利用多中心数据，群体图框架已被提出（Cao等人，2021）。在这类框架中，被试被表示为节点，其特征来源于个体影像表示。边由年龄、性别和中心等影像外信息构建，以建模被试间相似性（Hao等人，2025）。通过使用影像外信息作为互补的关联先验，这些方法减少了对异质影像特征的依赖，从而提高了特征判别性并更好地捕捉跨中心共享的疾病相关模式。Parisot等人（2017）提出了PopulationGCN，这是最早的用于群体图脑障碍预测的方法。它将影像特征和表型信息整合到统一的图中，为基于群体的脑分析奠定了基础。Huang和Chung（2020）提出了EV-GCN，通过自适应图学习和变分边建模提高了群体关系建模的灵活性和鲁棒性。此外，Cao等人（2021）提出了基于DeepGCN的多站点群体图框架，以捕捉高阶被试间关联，从而增强群体图的表征能力。通过建模被试间关系，这些方法提高了疾病识别性能。然而，它们主要学习共享的被试级模式，而其节点表示通常被压缩为被试级特征向量，难以捕捉嵌入在个体脑连接模式中的细粒度差异（Gu等人，2025）。由于MDD具有显著的个体异质性，这些差异对于MDD识别至关重要（Korgaonkar等人，2014）。

因此，一些研究进一步将个体图和群体图集成在一起，在保留个体脑网络拓扑特征的同时，充分利用跨被试关系信息，从而提高脑障碍识别准确率。例如，Zhang等人（2023）提出了LG-GNN，一种局部到全局的联合建模框架，从个体脑图中识别关键区域生物标志物，并进一步利用影像外信息在群体图上捕捉被试间关系。此外，Gu等人（2025）提出了FC-HGNN，设计了一种卷积机制来整合半球内和半球间信息流，以表征左右半球之间的协调交互模式，同时在异构群体图上建模跨被试关系。这类方法同时利用个体脑网络的拓扑信息和群体水平的关系信息，从而为脑障碍识别提供了新的建模视角。尽管这些方法可以联合建模多站点样本，但它们通常缺乏一种显式机制来将疾病相关信息与中心相关的变异进行解耦。多站点数据中的中心偏差往往与疾病相关的分布差异高度交织，甚至可能主导真正的神经病理学变异（Lin等人，2023）。因此，学习到的表示可能仍然包含与中心相关的混杂因素，限制了模型捕捉MDD相关神经生物学特征的能力（Zhao和Zhang, 2024）。由于个体脑图通常从FC矩阵构建（Li等人，2021），中心异质性可能影响被试级特征分布和个体图拓扑（Song等人，2024）。如果这种与中心相关的噪声未在个体图层面得到妥善处理，其影响可能在图学习过程中传播，进一步削弱个体表征学习和群体水平关系建模。

因此，我们提出了一种多站点MDD识别框架，称为解耦群体引导优化图神经网络（DPGR-Net）。DPGR-Net从跨被试关系中学习共享的疾病相关表示，并将其反馈以优化个体FC拓扑，从而在提高任务导向的个体图建模的同时减少对中心相关变异的影响。具体而言，在个体层面，从rs-fMRI数据构建被试特异性FBN以学习初始脑图表示。在群体图层面，设计了一个解耦双通道群体图（DDPG）模块，通过疾病图和中心图分别建模疾病相关的关联和中心相关的变异。进一步施加独立约束以减少两个通道之间的统计依赖性，从而减轻疾病表征学习中的中心效应干扰。在此基础上，我们创新性地提出了用于个体脑网络的群体引导动态优化机制（PDRM）。PDRM将群体水平上学习到的共享疾病相关模式反馈到个体图层面，以自适应地优化FC拓扑。这种双向的个体-群体交互实现了被试特异性FBN的任务导向拓扑调节，同时减少了与任务无关的变异。总体而言，主要贡献总结如下：

1. 我们提出了DPGR-Net，用于多站点MDD识别，通过DDPG建模显式地将疾病相关信息与中心相关的干扰分离开来。

2. 我们创新性地设计了PDRM模块，利用共享的群体水平疾病表示来自适应地优化个体FC拓扑，从而在减少与任务无关变异影响的同时纳入任务导向的拓扑调整。

3. 在Rest-Meta-MDD数据集上的大量实验证明，所提出的方法优于最先进的方法，并在多站点环境中表现出很强的鲁棒性。

方法

总体而言，DPGR-Net遵循双向的个体-群体建模策略。首先，从rs-fMRI数据构建个体FBN以表征个体连接模式。然后使用图编码器学习被试级脑网络表示。为减轻多中心异质性，构建DDPG以分别建模疾病相关信息和中心相关变异。最后，将群体水平的疾病相关模式反馈以优化个体FBN。

数据集与预处理

我们在公开可用的REST-meta-MDD数据集上进行了区分MDD患者和健康对照（HCs）的二元识别实验。遵循官方预处理流程（Yan等人，2019），原始数据进行了标准化，并排除了缺失关键信息或图像质量差的样本。最终，共有1,586名被试纳入分析。所有参与者的人口学特征总结于表1中。每位被试的rs-fMRI数据……

可解释性分析

为探索模型为MDD识别所捕捉的潜在FC模式，我们根据MDD组与HC组之间Arefined的平均绝对组间差异对FC进行排名，并选择差异最大的前30个连接进行可视化分析。如图6所示，其空间分布展示在图6（a）的大脑表面上，并作为其相对重要性和区域间组织展示在图6（b）的弦图中。

结论

在本研究中，我们提出了DPGR-Net，一种用于利用多中心rs-fMRI数据进行MDD识别的解耦群体引导图神经网络。本研究表明，将疾病相关信息与中心相关变异分离开来可以提高多中心MDD分类的鲁棒性。此外，利用群体水平的疾病判别表示来优化个体FC拓扑进一步增强了模型的判别能力。通过构建DDPG模块，DPGR-Net……

CRediT作者贡献声明

Xuan He：监督、方法学、资金获取。Ting Mei：撰写—审阅与编辑、撰写—初稿、可视化、验证、方法学、正式分析、数据整理。Huanhuan Du：正式分析。Xinting Zhou：正式分析。Jingran Xiang：正式分析。Zheng Liu：正式分析。

利益冲突声明

作者声明他们没有已知的可能影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究得到了中国国家自然科学基金（NSFC）的支持（项目编号61806048和62102272）。

Xuan He | Ting Mei | Huanhuan Du | Xinting Zhou | Jingran Xiang | Zheng Liu