《CNS Neuroscience & Therapeutics》：Universum Inspired Graph Contrast Learning for Major Depressive Disorder Identification: In Functional Brain Network View
编辑推荐：
摘要
背景：重度抑郁症（Major Depressive Disorder, MDD）是一种严重的精神障碍，其特征为持续的悲伤感及日常功能的显著下降。功能脑网络（Functional Brain Networks, FBNs）已成为MDD诊断的重要生物标志物
摘要
背景：重度抑郁症（Major Depressive Disorder, MDD）是一种严重的精神障碍，其特征为持续的悲伤感及日常功能的显著下降。功能脑网络（Functional Brain Networks, FBNs）已成为MDD诊断的重要生物标志物，而图卷积网络（Graph Convolutional Networks, GCNs）在提取FBN特征方面展现出巨大潜力。然而，现有的GCN方法通常依赖大规模标注数据集，且在MDD识别中缺乏临床可解释性，限制了其应用。
方法：研究人员引入了一种新颖的基于图的自我监督学习框架——Universum启发的图对比学习（Universum Inspired Graph Contrast Learning, Uni-GCL），以缓解对训练样本规模的需求。此外，为增强GCN的临床可解释性，研究人员优化了梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）方法，使其能够有效定位GCN中的关键节点。
结果：Uni-GCL方法优于先前的最先进方法。在Site 21上准确率提高了3%，在Site 1上提高了5%。此外，Uni-GCL识别出脑区FGoperc.R、CAU.L、FFG.R、AMYG.L、PUT.L、AMYG.R、PUT.R、THA.L、IFGtriang.R、FFG.L、INS.L、INS.R、HIP.L和HIP.R对MDD的诊断有显著贡献。
结论：Uni-GCL能有效减少模型训练所需的样本量，并提升MDD的诊断性能。同时，改进的Grad-CAM为增强GCN的可解释性提供了有效工具。
论文解读：Universum启发的图对比学习在功能脑网络视角下的重度抑郁症识别
一、研究背景与问题
重度抑郁症（Major Depressive Disorder, MDD）是一种常见的情感障碍，表现为持续性情绪低落、快感缺失，并可能引发多种生理、心理、社会及人格障碍。目前MDD的主流诊断体系主要依赖基于症状的临床访谈和DSM-5等标准，神经影像检查（如结构MRI）通常仅作为排除器质性脑异常的辅助工具。然而，临床评估依赖精神科医生基于SCID等结构化访谈量表的主观判断，自我报告易受回忆偏倚和隐瞒回答的影响。因此，开发更有效的早期识别方法并揭示MDD的生物标志物至关重要。
近年来，机器学习为MDD诊断技术提供了新方向。多项研究将功能脑网络（Functional Brain Networks, FBNs）与支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）及图核等方法结合。但这些方法在提取静态统计特征时，可能无法充分捕捉脑区间的拓扑信息及其与脑显著性模式的关系。图卷积网络（Graph Convolutional Networks, GCNs）在疾病诊断中展现了巨大潜力，但现有GCN方法通常需要大量标注数据，这在医学领域难以获得。此外，GCN模型的决策过程在临床视角下仍不透明，缺乏临床可解释性，限制了其在MDD诊断中的直接转化应用。
为解决上述问题，研究人员提出了Universum启发的图对比学习框架（Uni-GCL），通过自监督学习缓解对标注样本的需求，并改进梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）技术以增强GCN的可解释性。
二、研究内容与结论
研究人员利用REST-meta-MDD数据集，选取442名MDD患者和395名健康对照（Healthy Control, HC），在Site 20上训练模型，并在Site 1和Site 21上进行跨站点测试。Uni-GCL在Site 21上准确率较先前最先进方法提升3%，在Site 1上提升5%。同时，通过改进的Grad-CAM方法，研究识别出14个对MDD诊断贡献显著的脑区，包括双侧海马（HIP.L/R）、双侧杏仁核（AMYG.L/R）、双侧脑岛（INS.L/R）、双侧壳核（PUT.L/R）、左侧尾状核（CAU.L）、左侧丘脑（THA.L）、双侧梭状回（FFG.L/R）、右侧三角部额下回（IFGtriang.R）和右侧岛盖部额下回（FGoperc.R）。这些脑区主要涉及边缘系统、皮层下结构、突显网络和视觉网络，与MDD的病理生理机制高度一致。消融实验和敏感性分析验证了Uni-GCL各组件的有效性，跨数据集（ADNI）实验进一步证明了其泛化能力。
三、主要关键技术方法
研究人员采用了以下关键技术方法：（1）基于mixup的Universum样本生成，通过不同类别样本的线性插值构造具有“类间约束”的合成样本；（2）两级fMRI增强策略，利用窗口切片（window-slicing）方法对原始BOLD信号进行裁剪以扩充样本；（3）并行时空图卷积网络（Spatio-Temporal Graph Convolutional Network, ST-GCN）作为特征提取器，同时捕获脑网络的空间拓扑与时间动态信息；（4）对比学习损失函数，处理正样本与Universum样本之间的差异；（5）改进的Grad-CAM算法，将原本用于卷积神经网络的视觉解释方法扩展到ST-GCN，计算节点级重要性分数。
四、研究结果
1. 分类研究：在REST-MDD数据集上，以Site 20为训练集，分别在Site 21和Site 1上进行跨站点测试。与CNN、GCN、ST-GCN、UCGL等方法相比，Uni-GCL在准确率（ACC）、AUC、召回率（REC）、精确率（PRE）和F1分数上整体表现最优。在Site 20→Site 21迁移中，Uni-GCL达到0.66的ACC；在Site 20→Site 1迁移中，ACC达到0.67。在ADNI数据集上的跨数据集实验进一步验证了方法的泛化性能。
2. 判别性脑区识别：通过节点级Grad-CAM分数，研究在三个站点上一致识别出前14个贡献最大的脑区。这些区域形成了协调的亚网络，而非孤立的异常区域。海马和杏仁核构成边缘系统的核心成分，其异常与情感失调、应激敏感性和记忆相关脆弱性密切相关；纹状体和丘脑节点构成额叶-纹状体-丘脑环路，参与奖赏处理和动作选择；脑岛和额下回区域是突显和认知控制网络的核心组成部分；梭状回参与视觉和社会情感加工。
3. 留区验证（Leave-Region-Out Validation）：研究人员在Site 20→Site 1设置下，逐一移除Grad-CAM识别的前14个ROI的BOLD时间序列并重新训练模型。结果显示，移除任一关键ROI均导致ACC、AUC和F1较完整模型下降，同时移除全部14个ROI时性能下降更显著，验证了Grad-CAM重要性评分的可靠性。
4. 脑连接分析：通过双样本t检验（p<0.05）比较MDD患者与健康对照的功能连接强度，发现MDD患者多数连接强度弱于对照组，涉及PreCG、IFGtriang、SFGdor、ORBmid等脑区间的连接差异。该分析仅作为探索性描述，未进行多重比较校正。
5. 敏感性分析：对mixup系数λ进行网格搜索，发现λ=0.5时模型性能最优。基于信息熵的理论推导表明，λ=0.5时混合样本的标签熵最大，不确定性最高，最符合Universum数据设定。窗口切片长度分析显示，q=90%时取得最佳ACC和AUC。
6. 消融实验：将完整Uni-GCL与无Universum模块的UCGL、仅监督训练的Sup-GCL对比，Uni-GCL在所有指标上均优于UCGL，UCGL优于Sup-GCL，证明了两级fMRI增强、对比预训练和Universum混合模块的逐步贡献。
五、讨论与结论
讨论部分指出，Uni-GCL在多个成像站点上持续优于现有方法，尤其在跨站点泛化任务中表现突出，表明将边界感知信息融入自监督表示学习的有效性。Grad-CAM识别出的脑区并非孤立区域，而是构成大规模脑网络中的连贯亚网络，与MDD病理生理学的系统级模型一致。边缘系统、皮层下结构、突显和视觉网络之间的异常交互，特别是与默认模式网络的耦合异常，是MDD的重要神经机制。
研究局限性包括：样本量相对较小；基于静态功能连接，可能掩盖瞬时的临床相关交互；对药物状态、病程、症状严重度等临床混杂因素分析不足。未来工作将扩展到动态图架构，并开发混杂因素感知的图神经网络模型。
研究结论：Uni-GCL利用mixup策略生成Universum样本，缓解了对标注数据的依赖；结合优化后的Grad-CAM技术，准确识别出14个在抑郁诊断中起关键作用的脑区及其功能连接模式，如FGoperc.R和HIP.L/R。这为抑郁症病理机制中皮层-皮层下网络交互异常提供了新的理论视角，其自监督图对比学习范式也为精神疾病的诊断分析提供了新思路。
