《Pattern Recognition》：Exploring Dynamic Interpretable Brain Networks via Hierarchical Graph Transformer
編輯推薦：
動(dòng)態(tài)可解釋腦網(wǎng)絡(luò)框架DIBrain通過融合動(dòng)態(tài)圖學(xué)習(xí)與層次化子網(wǎng)絡(luò)表示學(xué)習(xí)，解決傳統(tǒng)GNN無法區(qū)分興奮/抑制連接及忽略層次結(jié)構(gòu)的問題。創(chuàng)新性地設(shè)計(jì)FC啟發(fā)動(dòng)態(tài)腦Transformer和層次化GNN結(jié)構(gòu)，實(shí)現(xiàn)跨尺度交互建模，提升疾病診斷性能，并在四個(gè)數(shù)據(jù)集上驗(yàn)證其有效性。
Hao Hu|Rundong Xue|Shaoyi Du|Xiangmin Han|Jingxi Feng|Zeyu Zhang|Wei Zeng|Yue Gao|Juan Wang
西安交通大學(xué)第二附屬醫(yī)院超聲科，以及西安交通大學(xué)人工智能與機(jī)器人研究所人機(jī)混合增強(qiáng)智能國家重點(diǎn)實(shí)驗(yàn)室，中國陜西省西安市710049
摘要
功能性腦網(wǎng)絡(luò)通過分層組織在局部特化與全局整合之間維持動(dòng)態(tài)平衡。盡管基于圖的方法推動(dòng)了腦網(wǎng)絡(luò)分析的發(fā)展，但傳統(tǒng)的圖神經(jīng)網(wǎng)絡(luò)（GNN）面臨諸多挑戰(zhàn)。它們在區(qū)分興奮性和抑制性連接方面缺乏可解釋性，也無法捕捉大腦內(nèi)在的分層結(jié)構(gòu)，尤其是跨尺度交互。為克服這些限制，本文提出了DIBrain框架，該框架通過兩個(gè)創(chuàng)新組件將動(dòng)態(tài)圖學(xué)習(xí)與分層子網(wǎng)絡(luò)表示學(xué)習(xí)相結(jié)合：一個(gè)是受全連接（FC）啟發(fā)的動(dòng)態(tài)腦變換器，能夠動(dòng)態(tài)編碼不同的連接模式以構(gòu)建和調(diào)整腦網(wǎng)絡(luò)；另一個(gè)是分層表示學(xué)習(xí)范式，利用分層GNN和優(yōu)化約束來模擬子網(wǎng)絡(luò)內(nèi)的同質(zhì)連接及其間的異質(zhì)交互。這一跨尺度框架有效捕捉了動(dòng)態(tài)功能交互，從微觀的感興趣區(qū)域（ROI）活動(dòng)層面延伸到宏觀的子網(wǎng)絡(luò)協(xié)調(diào)層面。在四個(gè)數(shù)據(jù)集上的評(píng)估表明，DIBrain在神經(jīng)疾病診斷方面表現(xiàn)出優(yōu)異的性能，驗(yàn)證了我們方法的有效性。源代碼可訪問地址為：
https://github.com/iMoonLab/DIBrain引言
作為復(fù)雜且交互式的神經(jīng)系統(tǒng)，人腦依賴于局部功能特異性和全局分布的連接模式來支持認(rèn)知過程和行為結(jié)果[1][2]。先進(jìn)的神經(jīng)成像技術(shù)，特別是功能性磁共振成像（fMRI），為研究這種復(fù)雜性提供了前所未有的窗口。通過分析血氧水平依賴（BOLD）信號(hào)，研究人員可以構(gòu)建功能腦網(wǎng)絡(luò)，其中感興趣區(qū)域（ROIs）作為節(jié)點(diǎn)，它們的時(shí)間相關(guān)性形成邊。這種基于網(wǎng)絡(luò)的范式對(duì)于識(shí)別包括阿爾茨海默病（AD）、輕度認(rèn)知障礙（MCI）和自閉癥譜系障礙（ASD）在內(nèi)的復(fù)雜神經(jīng)疾病的潛在生物標(biāo)志物至關(guān)重要，為早期診斷和治療策略提供了關(guān)鍵見解[3]。
雖然基于圖的方法，尤其是圖神經(jīng)網(wǎng)絡(luò)（GNN），已成為腦網(wǎng)絡(luò)分析的核心[4][5]，但它們面臨諸多限制，這些限制影響了它們的臨床和科學(xué)應(yīng)用。主要問題在于功能連接（FC）的量化，通常使用皮爾遜相關(guān)系數(shù)（PCC）進(jìn)行。由此產(chǎn)生的FC矩陣同時(shí)包含正（興奮性）和負(fù)（抑制性）權(quán)重，而標(biāo)準(zhǔn)GNN架構(gòu)通常要求邊為非負(fù)值，無法直接處理這種情況。常見的解決方法（如取相關(guān)性的絕對(duì)值）會(huì)丟棄關(guān)于連接極性的重要神經(jīng)生物學(xué)信息，從而限制了模型的性能。此外，這些方法往往依賴于靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)，無法捕捉大腦活動(dòng)的動(dòng)態(tài)變化特性。因此，現(xiàn)有方法未能充分協(xié)調(diào)數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)與已建立的神經(jīng)生理學(xué)原理，常常在過于簡化的線性模型和生物學(xué)不可知的圖假設(shè)之間搖擺[6][7]。因此，構(gòu)建基于生物學(xué)的動(dòng)態(tài)功能腦網(wǎng)絡(luò)是一個(gè)關(guān)鍵且未解決的挑戰(zhàn)，旨在提取深刻、有意義的語義信息[8]。
此外，新興的神經(jīng)成像證據(jù)[9][10]強(qiáng)調(diào)了大腦功能中分層組織的關(guān)鍵重要性，這進(jìn)一步加劇了這些挑戰(zhàn)：復(fù)雜的認(rèn)知過程由不同功能子網(wǎng)絡(luò)（模塊內(nèi)）內(nèi)的密集連接支持，這些連接促進(jìn)了專門的信息處理，而這些模塊（模塊間）之間的稀疏長距離鏈接則實(shí)現(xiàn)了全局整合（如圖1所示）。這種相關(guān)性表明，與疾病相關(guān)的干擾可能在不同尺度上表現(xiàn)出差異，潛在的跨尺度交互可能對(duì)病理機(jī)制有所貢獻(xiàn)。然而，大多數(shù)現(xiàn)有框架忽略了這種分層結(jié)構(gòu)，將大腦視為一個(gè)平面圖。這種忽視造成了一個(gè)關(guān)鍵缺口，因?yàn)樗鼈儫o法捕捉到理解疾病機(jī)制所必需的跨尺度交互。
為應(yīng)對(duì)這些多方面的挑戰(zhàn)，本文提出了動(dòng)態(tài)可解釋腦網(wǎng)絡(luò)（DIBrain）框架，這是一種將動(dòng)態(tài)圖學(xué)習(xí)與分層表示學(xué)習(xí)相結(jié)合的新方法。DIBrain圍繞兩個(gè)核心創(chuàng)新進(jìn)行構(gòu)建。首先，我們引入了一個(gè)受FC啟發(fā)的動(dòng)態(tài)腦變換器，該變換器利用FC的生理先驗(yàn)來指導(dǎo)其注意力機(jī)制，使模型能夠動(dòng)態(tài)學(xué)習(xí)任務(wù)感知的連接模式，同時(shí)保持興奮性和抑制性連接的獨(dú)特作用。其次，我們設(shè)計(jì)了一個(gè)分層GNN結(jié)構(gòu)，并結(jié)合了定制的優(yōu)化約束。這種結(jié)構(gòu)創(chuàng)新地將大腦特征分解為子網(wǎng)絡(luò)內(nèi)部和子網(wǎng)絡(luò)之間的層次，模擬了從微觀ROI交互到宏觀子網(wǎng)絡(luò)協(xié)調(diào)的跨尺度相關(guān)性。
本研究的主要貢獻(xiàn)如下：
- 1)
我們提出了一個(gè)受FC啟發(fā)的動(dòng)態(tài)腦變換器，該變換器采用受啟發(fā)的因素和任務(wù)特定的注意力學(xué)習(xí)。這種方法保留了功能連接的生物學(xué)意義特征，克服了傳統(tǒng)GNN的局部連接偏差，同時(shí)保持了連接權(quán)重的可優(yōu)化性和可解釋性。
- 2)
我們通過結(jié)合功能子網(wǎng)絡(luò)的先驗(yàn)知識(shí)，設(shè)計(jì)了一個(gè)分層且可解釋的腦網(wǎng)絡(luò)架構(gòu)。該架構(gòu)創(chuàng)新地將大腦區(qū)域特征分解為子網(wǎng)絡(luò)內(nèi)部和子網(wǎng)絡(luò)之間的層次，從而能夠模擬從微觀ROI到宏觀功能子網(wǎng)絡(luò)的跨尺度特征交互。
- 3)
在四個(gè)數(shù)據(jù)集上的評(píng)估表明，DIBrain在疾病診斷方面表現(xiàn)出優(yōu)異的性能。此外，模型的跨尺度連接可視化揭示了腦疾病中的異常功能模式（例如，在ASD診斷中DMN內(nèi)部以及DMN與FPN之間的連接），為理解其潛在的病理機(jī)制提供了有價(jià)值且可解釋的見解。
圖表示學(xué)習(xí)
由于腦功能連接的圖特性，基于GNN/HGNN的方法已成為腦網(wǎng)絡(luò)分析的主流方法[11][12]。例如，Li等人提出了BrainGNN[13]，該方法采用ROI感知的圖卷積層和選擇性池化來突出關(guān)鍵腦區(qū)。Zheng等人引入了BrainIB[14]用于fMRI分析，該算法利用了信息瓶頸原理。Feng等人開發(fā)了Hyper-FM[15]，為...
概述
我們提出了DIBrain框架，用于腦網(wǎng)絡(luò)分析，該框架將動(dòng)態(tài)可解釋圖學(xué)習(xí)與大腦分層表示學(xué)習(xí)相結(jié)合。如圖2所示，DIBrain包含兩個(gè)主要組成部分：1) 一個(gè)受FC啟發(fā)的動(dòng)態(tài)腦變換器，通過將FC啟發(fā)的因素納入注意力機(jī)制來生成任務(wù)優(yōu)化的功能腦網(wǎng)絡(luò)，形成了受啟發(fā)的因素和任務(wù)驅(qū)動(dòng)的適應(yīng)之間的雙向優(yōu)化循環(huán)；2)
數(shù)據(jù)集和預(yù)處理
所提出的DIBrain在四個(gè)不同的腦疾病診斷任務(wù)上進(jìn)行了評(píng)估，包括自閉癥腦成像數(shù)據(jù)交換（ABIDE）數(shù)據(jù)集[29]、阿爾茨海默病神經(jīng)成像計(jì)劃（ADNI）數(shù)據(jù)集[30]和ADHD-200數(shù)據(jù)集[31]。每個(gè)受試者的腦空間根據(jù)CC200圖譜[32]被劃分為200個(gè)ROI。我們選擇CC200圖譜是基于幾個(gè)關(guān)鍵考慮因素：首先，它提供了適合全腦分析的平衡空間分辨率...
疾病特定的子網(wǎng)絡(luò)耦合模式
我們在圖3中展示了的大規(guī)模功能子網(wǎng)絡(luò)之間的交互模式，其中連接的寬度直觀地編碼了它們的強(qiáng)度。比較分析揭示了神經(jīng)發(fā)育障礙和神經(jīng)退行性疾病之間的共同點(diǎn)和關(guān)鍵差異。默認(rèn)模式網(wǎng)絡(luò)（DMN）在所有條件下始終作為一個(gè)中心樞紐；然而，其特定的交互模式顯示出顯著的病理異質(zhì)性...
結(jié)論
本研究提出了DIBrain框架，該框架將動(dòng)態(tài)圖適應(yīng)與分層表示學(xué)習(xí)相結(jié)合，以提高腦網(wǎng)絡(luò)分析的性能和生物學(xué)可解釋性。通過動(dòng)態(tài)校準(zhǔn)連接強(qiáng)度并整合子網(wǎng)絡(luò)先驗(yàn)，DIBrain有效彌合了數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)與神經(jīng)生物學(xué)合理性之間的差距，在疾病分類和生物標(biāo)志物發(fā)現(xiàn)方面取得了最先進(jìn)的結(jié)果。
CRediT作者貢獻(xiàn)聲明
Hao Hu：撰寫——審稿與編輯、原始草稿撰寫、可視化、方法論、數(shù)據(jù)整理、概念化。Rundong Xue：撰寫——審稿與編輯、原始草稿撰寫、可視化、驗(yàn)證、方法論、數(shù)據(jù)整理、概念化。Shaoyi Du：撰寫——審稿與編輯、原始草稿撰寫、資金獲取。Xiangmin Han：撰寫——審稿與編輯、原始草稿撰寫、方法論、形式分析。Jingxi Feng：撰寫——審稿與...
利益沖突聲明
作者聲明他們沒有已知的可能會(huì)影響本文工作的競爭性財(cái)務(wù)利益或個(gè)人關(guān)系。作者沒有需要聲明的與本文內(nèi)容相關(guān)的競爭性利益。
致謝
本工作得到了中國國家重點(diǎn)研發(fā)計(jì)劃（項(xiàng)目編號(hào)2025ZD0217302）、國家自然科學(xué)基金（項(xiàng)目編號(hào)U24A20252、62327808和62088102）、陜西省重點(diǎn)研發(fā)計(jì)劃（項(xiàng)目編號(hào)2024PT-ZCK-66和2024CY2-GJHX-48）以及廣東省基礎(chǔ)與應(yīng)用基礎(chǔ)研究重大項(xiàng)目（項(xiàng)目編號(hào)2023B0303000009）的支持。
