基于主题感知的脑功能连接网络分析在认知障碍诊断中的应用
《Pattern Recognition》:Motif-aware Brain Functional Connectivity Network Analysis For Cognitive Disorder Diagnosis
【字体:
大
中
小
】
时间:2026年04月04日
来源:Pattern Recognition 7.6
编辑推荐:
本研究提出基于 motifs 的脑功能连接网络分析方法(MA-BCN),通过检测高阶结构、构建动机图并整合多层级信息,显著提升阿尔茨海默症等认知障碍诊断准确率至91.90%和93.23% AUC,优于现有方法。
陈东东|姚琳琳|白璐|埃德温·R·汉考克|张丽琪
上海交通大学,上海20030,中国上海
摘要
功能连接网络作为一种图论模型,在脑网络分析中得到了广泛应用,其中脑区被表示为节点,这些区域之间的功能连接被视为边。神经科学研究表明,大脑中的认知过程不是由孤立的脑区完成的,而是通过由不同脑区组成的子网络来实现的。然而,基于脑功能连接的传统方法通常关注单个脑区的局部节点特征,而忽略了反映认知障碍症状的全局网络属性。为了克服这一局限性,我们提出了一种基于主题的脑功能连接网络分析方法(MA-BCN),该方法能够捕捉超出单个脑区的高层次信息,以用于认知障碍的诊断。具体来说,我们引入了一种新的算法来检测脑功能连接网络中的主题。随后,我们构建了一个主题图(MG),以有效描述这些主题之间的关系。我们还提出了一种增强的节点表示学习策略,该策略整合了来自脑区节点、主题特征和先验知识的信息,以捕捉脑网络中的多层次相关性。从综合脑网络生成的嵌入被用于诊断认知障碍。在多个脑认知障碍诊断任务上的实验表明,所提出的MA-BCN方法取得了显著的性能提升,在区分正常(NC)和阿尔茨海默病(AD)方面,准确率达到了91.90%,AUC达到了93.23%,优于所有现有的最先进方法。
引言
脑功能连接网络是一个复杂的网络,它通过分析静息态功能性磁共振成像(rs-fMRI)数据揭示了不同脑区之间的功能关联[1]。在脑功能连接网络中,节点代表特定的脑区,边代表通常通过每个脑区的血氧水平依赖(BOLD)信号之间的相关性来测量的功能连接[2]。基于功能连接的脑网络分析方法已被证明是研究脑功能的重要工具,特别是在探究脑认知障碍背后的异常机制方面[3]。
目前基于脑功能连接的脑网络分析和疾病诊断范式通常包括两个主要步骤:首先构建脑功能连接网络;然后利用图神经网络(GNNs)的强大结构特征学习能力来提取节点信息,从而获得用于脑疾病诊断的全脑表示[4]、[5]。例如,崔等人[6]提出了一种标准化框架,通过结合脑连接网络和模块化图神经网络来有效捕捉脑图表示,以诊断脑疾病。然而,这些方法通常关注脑区的局部信息以及成对节点之间的相互作用,未能充分探索多个脑区之间高阶连接中的重要属性。这限制了对复杂功能机制和脑疾病模式的全面理解。
最近的神经学研究表明,大脑通过由不同区域组成的子网络执行各种认知功能,而认知障碍可以改变这些子网络内的区域连接[7]。例如,背侧注意力网络(DAN)主要由下颞回、上顶叶和楔前叶组成,它被广泛认为参与自上而下的注意力控制过程[8]。此外,阿尔茨海默病(AD)会选择性地损害高级认知网络中的连接,而对感觉网络的影响相对较小[9]。因此,一些研究将大脑中这些重要的子网络结构识别为主题,它们是整个功能系统的基石,对于理解脑疾病的病理基础至关重要[10]、[11]、[12]。
在图论中,主题是网络中重复出现且统计上显著的子网络,在包括社交网络、蛋白质相互作用网络和神经回路在内的各种领域中发挥着重要作用[13]。在脑功能连接网络中,主题在脑网络中的分布有助于信息整合和分离,可以揭示脑功能和功能障碍机制的关键见解[14]。例如,申等人[15]表明,在麻醉诱导、维持和恢复过程中,特定主题的频率会发生变化,这表明脑网络主题是意识丧失和恢复的标志。曹等人[16]证明,正常的脑功能需要某些脑区在特定的主题模式下协作,而这些区域之间异常连接的存在可能导致疾病状态。
在主题分析领域,埃德温等人[17]提出了图主题熵作为一种研究演化网络结构和动态特性的新方法。这种方法通过量化主题的统计分布提供了对网络演化的宝贵见解。该方法进一步扩展到了有向图[18],并通过真实世界金融数据集上的异常检测任务证明了其有效性。这些研究为分析复杂网络提供了新的视角,并强调了基于主题的分析的实际潜力。
尽管主题可以提供对网络特征的宝贵见解,但现有在脑网络分析中应用主题的方法存在显著的限制:1)由于在图中搜索所有子网络是一个NP难题,因此为脑网络设计主题及其相应的高效检测算法仍然是一个具有挑战性的问题。2)传统的主题分析[11]、[19]仅关注统计分布,而忽略了这些主题之间的相关性,这可能限制了对脑网络内交互模式的理解。3)现有的基于主题的方法主要关注捕捉子网络内的高阶结构特征[12]、[20],同时忽略了脑区的固有特征,并没有充分探索低阶和高阶结构之间的多尺度关系,而这些关系对于理解脑功能连接至关重要。
为了解决上述限制,本文提出了一个创新的基于主题的框架,用于分析脑网络和诊断脑认知障碍。考虑到主题是脑连接的重要构建块,我们首先定义了主题的基本结构,并提出了一种高效的检测算法来识别它们在脑功能连接网络中的存在。为了捕捉这些主题之间的依赖性,我们构建了一个主题图,并为每个脑区提取了主题级别的特征。在这里,每个主题不仅作为一个结构模式,还作为一个反映潜在神经生物学驱动因素的功能载体。此外,鉴于现有的生物医学研究已经识别出与脑功能相关的几种子网络模式[21],我们开发了一种多层次融合策略,有效整合了节点级别、主题级别和先验知识的信息,以获得用于疾病诊断的全面脑表示。
本文的主要贡献总结如下:
•我们设计了一种高效的主题检测算法,能够识别重要的脑网络子结构,填补了现有方法中高阶结构信息挖掘不足的空白。
•我们提出了一种主题图来模拟主题之间的关系,并增强了表征局部节点信息和全局子网络属性的能力。
•我们提出了一种多层次框架,捕获了层次化的拓扑信息,从而提供了对脑连接组织的更深入见解。
•我们的方法经过了广泛测试,在诊断各种脑认知障碍方面取得了最先进的结果,为提高脑网络分析的可解释性提供了有希望的方向。
章节片段
脑功能连接网络
脑功能连接被定义为不同脑区之间活动的统计依赖性[22]。为了构建脑功能连接网络,研究人员提出了许多分析方法,主要分为两类:1)无模型方法和2)基于模型的方法[23]、[24]。无模型方法不依赖于特定的统计模型或先验假设进行数据分析,使它们能够探索内在结构
方法
如图1所示,脑网络首先进行1)主题检测,从原始功能连接中提取不同类型的主题,包括路径、树和环,以捕获拓扑特征。然后,在2)主题图构建阶段,这些检测到的主题作为超级节点来构建一个新的主题图,并构建一个转换矩阵将主题信息映射回原始节点。随后,在3)多层次融合阶段,
数据和预处理
在这项研究中,我们使用了来自两个公共数据集的静息态功能性磁共振成像(rs-fMRI)数据:1)阿尔茨海默病神经影像学计划(ADNI)[44],以及2)自闭症脑影像数据交换(ABIDE)[45]。ADNI数据库是一个包含临床和影像信息的广泛集合,旨在提高阿尔茨海默病早期检测技术的准确性,特别是监测认知障碍患者的衰退率。
消融研究
我们进行了消融研究,以评估三种不同层次信息的有效性:(1)来自原始脑功能连接网络的局部节点级别信息,(2)从构建的主题图中提取的全局主题级别信息,以及(3)来自现有研究的先验知识。
所有消融研究的结果详细列在表4中,得出了以下关键观察结果:首先,比较了三个独立的层次
结论
本研究提出了一种基于主题的脑功能连接网络分析方法(MA-BCN),通过结合主题来检测高阶网络结构并整合多层次信息,从而改善了认知障碍的诊断。与主要关注局部节点特征的传统方法不同,这种方法通过检测主题和构建主题图来提取全局拓扑特征,有效地捕捉了
CRediT作者贡献声明
陈东东:撰写——原始草稿、软件、方法论。姚琳琳:验证、方法论。白璐:撰写——审阅与编辑、验证。埃德温·R·汉考克:撰写——审阅与编辑、监督。张丽琪:撰写——审阅与编辑、监督、资源、项目管理。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:鉴于白璐担任副主编的角色,他没有参与本文的同行评审,也没有访问与其同行评审相关的信息。本文的编辑过程的全部责任委托给了另一位期刊编辑。如果还有其他作者,他们声明没有已知的利益冲突或
生物通微信公众号
生物通新浪微博
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