《IEEE Transactions on Neural Systems and Rehabilitation Engineering》:Causal-augmented Source-free Domain Adaptation with Scale-free Transformer for Schizophrenia Classification
编辑推荐:
本研究针对多站点fMRI数据在精神分裂症(SZ)分类中存在的站点异质性和数据共享受限问题,提出了一种基于尺度不变Transformer编码器的无源域适应框架。该框架通过整合尺度不变先验和因果扰动干预,学习稳健的域不变表征。实验表明,该方法在两个SZ数据集上达到了最优性能(87.18%±0.91%和88.39%±0.13%),为理解SZ的神经功能障碍机制提供了新见解。
在探索大脑奥秘、诊断精神类疾病的征途上,科学家们找到了一盏明灯——功能磁共振成像(functional Magnetic Resonance Imaging, fMRI)。通过分析大脑不同区域在活动时的血氧水平变化,研究者能够构建出复杂的脑功能网络,从而窥探精神分裂症等疾病背后可能异常的神经连接模式。然而,这条探索之路并非坦途,它横亘着两大“拦路虎”。
第一个挑战源于我们大脑网络自身的一个神奇特性:尺度不变性。这意味着大脑网络中少数几个关键“枢纽”节点拥有大量的连接,而大多数节点只有少量连接。传统的、在自然语言处理领域大放异彩的Transformer模型,虽然被引入来分析脑网络,但其核心的注意力机制在设计中并未考虑这一生物学先验。这导致模型可能“一视同仁”地关注所有脑区,而忽略了那些真正重要的信息枢纽,从而难以捕捉脑功能网络内在的拓扑结构。
第二个挑战则更为现实,它关乎科学研究如何从实验室走向临床。为了获得足够的样本和数据,研究通常需要汇聚来自多个不同医院或扫描中心的数据,即多站点数据。然而,各站点使用的扫描仪器、参数乃至受试者群体都可能存在差异,这种“站点异质性”使得在一个站点上训练好的模型,到了另一个站点往往表现不佳。更棘手的是,由于患者隐私和数据安全的严格规定,原始医疗数据通常无法在机构间直接共享。这使得传统的、需要同时访问源数据和目标数据的域适应方法在实际临床应用中寸步难行。而无源域适应技术,仅允许模型利用在源站点上训练好的知识,在不接触源数据的情况下适应新的目标站点,成为了破解这一困局的关键。但现有方法大多依赖于启发式数据增强或生成可能不可靠的伪标签,并未深入利用脑区间固有的依赖关系,导致模型在面对跨站点变异时鲁棒性不足。
为了同时攻克理论模型与临床实践中的这些难题,一项发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上的研究,提出了一种新颖的解决方案:一种基于尺度不变Transformer编码器的因果增强无源域适应框架,用于精神分裂症的自动分类。
研究人员为开展此项研究,主要运用了以下几项关键技术方法:首先,利用多站点的fMRI数据构建脑功能网络作为研究基础。核心模型是一个整合了尺度不变先验的Transformer编码器,该编码器在带有标签的源域数据上进行预训练,以学习具有判别性的连接模式,同时通过先验偏置使注意力机制聚焦于网络中的枢纽节点。随后,将预训练好的编码器和分类器用于初始化目标站点的模型。在目标域适应阶段,模型利用编码器学习到的、源于脑区间交互的潜在表征来构建因果图。为了增强模型的鲁棒性,通过对因果图结构进行随机排列和反事实干预来实施扰动。同时,采用熵最小化策略联合优化编码器和预测器,以学习不受站点差异影响的域不变表征。研究在两个独立的精神分裂症数据集上进行了验证。
本研究通过系统性的实验设计与分析,得出了一系列重要结果。
方法性能比较:研究提出的方法在与多种先进模型的对比中展现出显著优势。实验结果表明,该方法在两个不同的精神分裂症数据集上分别取得了87.18%±0.91%和88.39%±0.13%的最高分类准确率,性能超越了用于比较的4种Transformer模型、7种域适应方法、6种多站点分析方法以及6种最先进的(state-of-the-art)方法。
消融实验分析:为了厘清模型中各个组件的作用,研究者进行了详细的消融实验。结果突出强调了因果约束、随机排列扰动、反事实干预以及熵最小化约束对于最终性能提升的各自贡献。这表明模型的优越性并非源于单一组件,而是这些设计共同作用的结果,它们分别从建模脑区间因果关系、增强模型对结构变化的鲁棒性、进行因果推理以及强化决策确定性等方面提升了模型的适应能力。
判别性脑区识别:除了卓越的分类性能,该模型还具备一定的可解释性。通过分析模型,研究者识别出了对区分精神分裂症患者与健康对照具有判别性意义的脑区。这些发现为探索精神分裂症背后功能失调的神经机制提供了新的线索和见解。
该研究最终得出结论,成功开发并验证了一个基于尺度不变Transformer和因果增强理论的无源域适应框架,用于精神分裂症的跨站点分类。这项工作在理论层面,通过将大脑网络的尺度不变性这一关键生理先验整合到Transformer的注意力机制中,使模型更贴合脑网络的真实生物学特性,从而更有效地捕捉其内在拓扑结构。在技术层面,创新性地将因果学习与无源域适应结合,通过构建并扰动因果图、实施反事实干预以及熵最小化,使模型能够在无法访问源域数据的情况下,稳健地学习能够抵抗站点异质性干扰的域不变表征。最终,模型不仅在分类准确率上达到了当前最优水平,其识别出的判别性脑区也有助于深化对精神分裂症神经病理机制的理解。因此,这项研究为克服神经影像数据分析中模型可解释性不足、跨中心泛化能力弱以及数据隐私壁垒这三大核心挑战,提供了一个强有力的、融合了深度学习与因果发现的新工具,推动了基于人工智能的辅助诊断方法向更可靠、更实用的临床部署迈出了关键一步。