基于功能连接(Functional Connectivity, FC)分类与亚型划分的重性抑郁障碍(Major Depressive Disorder, MDD)精准精神健康研究:一种集成图神经网络(Ensemble Graph Neural Network, GNN)方法

《PLOS Digital Health》:Functional connectivity–based classification and subtyping of major depression for precision mental health: An ensemble graph neural network approach

【字体: 大 中 小 】 时间:2026年03月05日 来源:PLOS Digital Health 7.7

编辑推荐:

  摘要:重性抑郁障碍(Major Depressive Disorder, MDD)目前仍主要依据主观症状进行临床诊断,而非客观神经生物学标记物,这限制了诊断准确性及个体化治疗方案的制定。研究人员提出一种集成混合框架(Ensemble Hybrid Framew

  
摘要:重性抑郁障碍(Major Depressive Disorder, MDD)目前仍主要依据主观症状进行临床诊断,而非客观神经生物学标记物,这限制了诊断准确性及个体化治疗方案的制定。研究人员提出一种集成混合框架(Ensemble Hybrid Framework, EH-BrainGNN),将图神经网络(Graph Neural Network, GNN)与无监督聚类相结合,利用静息态功能连接(resting-state Functional Connectivity, rs-fMRI)图谱对MDD进行分类并划分亚型。该框架训练GNN以区分MDD患者与健康对照(Healthy Control, HC),使用的输入为基于功能连接构建的脑图(Brain Graph),随后对所得被试水平嵌入(Subject-level Embedding)进行聚类以揭示亚型结构。研究人员在两个公开多中心队列——REST-meta-MDD(中国;N=1,604;17个中心)和SRPBS(日本;N=446;4个中心)——上评估该方法,采用留一中心法交叉验证(Leave-One-Site-Out Cross-Validation, LOSO CV)及跨国家迁移验证。分类器在REST-meta-MDD上留一中心验证准确率达0.73,从中国队列迁移至日本队列时保留0.78的敏感度(Sensitivity),在相同协议下优于BrainIB和CI-GNN模型。为消除中心相关混杂因素,研究人员采用标准化预处理流程并进行ComBat协调(Harmonization)。聚类一致识别出三种MDD亚型,分别具有涉及默认模式网络(Default Mode Network, DMN)与小脑(Cerebellum)、岛叶-扣带回-颞叶回路(Insula-Cingulum Temporal Circuit)以及额纹状体环路(Frontostriatal Circuitry)的独特连接特征。上述发现提供了可重复且具生物学可解释性的MDD分层依据,未来需前瞻性研究将这些亚型与治疗反应及其他临床有意义结局相关联。
研究背景与意义
重性抑郁障碍(Major Depressive Disorder, MDD)是全球致残率最高的精神障碍之一,但目前依据《精神障碍诊断与统计统计手册》第5版(Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition, DSM-5)进行的症状学诊断缺乏客观神经生物学标记物,导致患者间异质性大、治疗反应差异显著且机制不明,阻碍了精准精神病学(Precision Psychiatry)的发展。静息态功能连接(resting-state Functional Connectivity, rs-fMRI derived FC)被视为潜在的生物标志物,但现有神经影像分类器多限于单数据集内验证,跨中心及跨人群泛化能力差,且多数为"黑箱"模型缺乏可解释性,亦未能同时实现病例-对照判别与数据驱动的亚型发现。为突破上述局限,研究人员开发了集成混合图神经网络框架EH-BrainGNN,并在大规模多国多中心数据上验证其分类效能与亚型分层的可重复性,旨在为MDD提供客观的、生物学基础的神经影像分层依据。该论文发表于《PLOS Digital Health》。
主要关键技术方法概述
研究人员使用两个公开rs-fMRI数据集:主数据集REST-meta-MDD(中国,848例MDD/794例HC,17中心)及独立验证数据集SRPBS(日本,177例MDD/269例HC,4中心)。预处理采用DPARSF及GRETNA基于SPM完成,以AAL(Automated Anatomical Labeling)图谱将全脑划分为116个感兴趣区(Region of Interest, ROI),计算Fisher's z变换后的Pearson相关系数得116×116功能连接矩阵,并应用ComBat协调法消除中心效应及协变量(性别、年龄、头动等)。构建脑功能图时邻接矩阵取功能连接矩阵绝对值前20%分位数为1其余为0,节点特征取各行相关系数。提出的两阶段EH-BrainGNN框架含:(1)监督表示学习阶段——子图生成器(Subgraph Generator)学习边掩码(Edge Mask)提取判别性解释子图,图同构网络(Graph Isomorphism Network, GIN)编码器经双线性二阶池化(Bilinear Mapping Second-Order Pooling)获图嵌入,互信息估计器(Mutual Information Estimator)基于信息瓶颈(Information Bottleneck)原则约束子图紧凑性与判别性,联合交叉熵损失与互信息正则项训练MDD/HC二分类;(2)下游亚型划分阶段——对MDD被试图嵌入计算Pearson相关距离,采用密度峰值快速搜索聚类(Clustering by Fast Search and Find of Density Peaks, CFDP)划分子型,并通过自举重采样(Bootstrap Resampling)、轮廓系数(Silhouette Coefficient)、邓恩指数(Dunn Index)及标签置换检验验证稳定性。采用嵌套交叉验证及留一中心验证(Leave-One-Site-Out, LOSO),并以SVM、LASSO、Random Forest、GCN、GAT、GIN、BrainGNN、BrainIB、CI-GNN等作基线对比。
研究结果
3.1. Generalization performance: Ten-fold cross-validation
研究人员在主数据集和独立验证数据集上行十折交叉验证(10-fold Cross-Validation),EH-BrainGNN分别取得74%和73%准确率(Accuracy),AUC(Area Under the Receiver Operating Characteristic Curve)优于所有基线模型(主数据集对比BrainIB:t=4.3529, p=0.0018;独立验证集对比CI-GNN:t=3.1623, p=0.0115),表明模型具备稳健的MDD/HC判别能力。
3.2. Generalization Performance: Leave-one site out cross-validation
在REST-meta-MDD上行留一中心验证,EH-BrainGNN平均准确率73%,各中心表现稳定且多数居首,优于基线模型,证明在多中心未知站点数据上具良好泛化性。
3.3. Generalization Performance: Generalization of the classifier for independent cohorts
以中国队列训练、日本SRPBS队列测试,EH-BrainGNN在四个日本中心准确率为66%~74%,敏感度(Sensitivity)最高达86%,综合指标(Accuracy、AUC、F1-score)超越RBF-SVM、CI-GNN及BrainIB,证实跨国籍人群迁移有效性。
3.4. Subtyping Analysis: Graph embeddings define three depression subtypes
基于CFDP算法自动确定最佳聚类数k=3,在两国数据集中均稳定识别出三类MDD亚型(中国:Subtype1 n=356占43.0%;Subtype2 n=226占27.3%;Subtype3 n=246占29.7%;日本:相应n=43/60/74)。HAMD-17(Hamilton Depression Rating Scale, 17-item)总分Subtype1与Subtype3差异显著(p=0.029),早醒(Insomnia-early)、抑郁心境(Depressed Mood)、激越(Agitation)等七项症状条目在亚型间存在显著差异(FDR校正后q<0.05),证明亚型具临床异质性。
3.5. Subtyping Analysis: Subtype-specific brain connections
通过子图解释掩码聚合获得亚型特异性连接模式:三型共享左右丘脑(Thalamus)连接(MDD共性诊断特征);Subtype1特异连接为默认模式网络(Default Mode Network, DMN;含楔前核Precuneus)─小脑(Cerebellum)网络,关联早醒症状;Subtype2特异连接为岛叶(Insula)─扣带回(Cingulum)─颞叶(Temporal)回路,关联抑郁心境减轻及自知力(Insight)差异;Subtype3特异连接为额纹状体(Frontostriatal)网络(壳核Putamen、尾状核Caudate、背外侧前额叶Superior Frontal Cortex),关联失眠、激越及体重减轻加重。
3.6. Subtyping Analysis: Stability and significance of subtype-specific patterns
自举抽样(1,000次)显示聚类分配调整兰德指数(Adjusted Rand Index, ARI)均值0.523、归一化互信息(Normalized Mutual Information, NMI)均值0.543,显著优于随机标签(null p<0.0001);亚型Top-20判别边的Jaccard重叠均高于机会,多数参考边重选频率>0.5,证实亚型及特征边具统计显著稳定性。
3.7. Correspondences between functional signature and MDD symptoms
留一被试岭回归(Leave-One-Subject-Out Ridge Regression)表明图嵌入可预测临床量表得分,各亚型R2>0.3,Subtype3预测性最强(p<0.0001经置换检验多重比较校正),证实功能连接特征与症状维度存在对应关系。
3.8. Validation analysis
系列验证表明:(1)控制年龄、性别、头动不影响分类性能,排除伪影驱动;(2)AAL与Power Atlas(264 ROI)结果趋势一致且更高分辨率略优;(3)ComBat协调提升部分站点性能且不消除病例-对照FC差异(|Δd|<0.08);(4)邻接矩阵阈值20%(前20%绝对FC值)为最优;(5)5层GIN隐藏维128表现最佳;(6)学习曲线随样本量单调上升未过拟合;(7)药物状态作为协变量或限定未用药亚组均重现三亚型且重分配率<2%;(8)去除信息瓶颈或稀疏惩罚任一项均致性能下降,多目标损失函数各成分均关键。
讨论与结论总结(翻译讨论中研究结论部分)
本研究通过提出新颖的集成混合深度学习框架EH-BrainGNN,推进了基于神经机制而非仅观察症状的MDD重新定义与亚型划分。图神经网络保留功能网络固有图结构,内置子图生成模块提供自解释性判别连接,无监督CFDP自动确定亚型数目。分类器在17中心REST-meta-MDD留一中心验证平均准确率73%,以中国数据训练的模型在日本SRPBS独立队列保持较高敏感度,泛化性优于基线,支持跨中心及跨国可重复性。更重要的是,两国数据集一致识别出三个具生物学可解释性的MDD亚型:Subtype1以DMN-小脑连接异常为特征并与早醒关联;Subtype2以岛叶-扣带回-颞叶回路异常为特征并与抑郁心境及自知力差异关联;Subtype3以前额-纹状体环路异常为特征并与激越、失眠及体重减轻关联。共享的左右丘脑连接为MDD共性诊断特征。亚型特异性连接基序可作为候选环路水平生物标志物,为个体化神经调控靶区选择(如小脑刺激、岛叶/突显网络Salience Network靶向、常规背外侧前额叶皮层Dorsolateral Prefrontal Cortex, DLPFC靶向)提供假设生成框架。当前分类准确率尚不足以直接临床部署,属研究工具;亚型与治疗反应的关联需在前瞻性纵向研究中验证。EH-BrainGNN应视为DSM-5评估的决策支持工具而非替代手段,未来需严格的前瞻性多中心验证、校准及监管审批方可实际应用。局限性包括缺乏纵向治疗反应数据、预处理与图构建参数敏感性、跨中心残余混杂及未测量文化环境因素。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号