《Results in Engineering》：Multimodal Learning for Neonatal Sepsis Detection in the NICU Using Brain-Inspired Graph Neural Networks
编辑推荐：
本研究针对新生儿败血症早期诊断难题，提出了一种融合EEG波形信号与结构化电子临床记录(ECR)的脑启发图神经网络(Bi-GNN)框架。通过将EEG信号编码为脉冲序列并映射到解剖学基础的图结构，同时将临床特征建模为互补图节点，实现了有效的多模态融合。采用具有生物启发突触可塑性的前向-前向图卷积网络(F-FGCN)，无需通过时间反向传播即可学习时空依赖性。该框架在新生儿败血症预测中实现了94.54%的准确率、94.58%的精确度、93.78%的召回率和94.00%的F1分数，为危重护理环境提供了可靠、可解释的评估工具。
在新生儿重症监护室(NICU)中，新生儿败血症始终是威胁婴幼儿生命健康的重大挑战。这种在出生后28天内发生的全身性感染疾病，临床表现缺乏特异性，症状常与其他新生儿疾病重叠，给早期诊断带来极大困难。传统的培养检测方法作为金标准，不仅耗时长、灵敏度有限，在资源有限环境下更显得力不从心。更棘手的是，单一模态的临床数据往往难以捕捉到败血症发展过程中复杂的生理和神经交互关系。
正是在这样的临床需求背景下，Madhusundar Nelson等人开展了一项创新性研究，他们巧妙地将脑科学原理与人工智能技术相结合，开发出一种基于脑启发图神经网络(Bi-GNN)的新方法，为新生儿败血症的早期检测提供了全新解决方案。这项发表在《Results in Engineering》上的研究，突破了传统单模态诊断的局限，通过融合脑电图(EEG)信号和临床数据，实现了对败血症更精准的预测。
研究团队采用了几项关键技术方法：首先从MIMIC-III临床数据库和MIMIC-III波形数据库中获取新生儿患者的多模态数据，包括临床记录和EEG信号；然后构建了专门的图神经网络架构，将EEG通道映射为图节点，临床特征作为互补节点；创新性地引入了前向-前向学习机制替代传统的反向传播，结合突触可塑性原理模拟生物神经网络的学习过程；最后通过多模态融合技术整合不同来源的信息。
3. Materials and Methods
研究团队建立了完整的技术流程，从MIMIC-III数据库中筛选出符合条件的新生儿样本，包括600例败血症病例和300例非败血症对照。数据预处理环节对临床数据进行缺失值填补、归一化处理和特征选择，对EEG信号则进行伪影去除、分段和特征提取。图构建过程将EEG通道间的功能连接性和临床特征间的生理关系转化为图结构，其中节点代表特征变量，边表示相互关系。
4. Results and Discussion
通过系统评估，Bi-GNN框架展现出卓越的性能，准确率达到94.54%，精确度94.58%，召回率93.78%，F1分数94.00%，这些指标均显著优于传统的全连接网络(FCN)、卷积神经网络(CNN)和图卷积网络(GCN)。特别值得注意的是，该模型的损失值仅为1.05，明显低于对比模型，表明其具有更好的收敛性和泛化能力。K折交叉验证结果进一步证实了模型的稳定性，随着折数增加，模型准确率稳步提升，最高可达98%。
5. Conclusion
该研究成功证明了脑启发图神经网络在新生儿败血症多模态检测中的有效性。通过模拟生物神经系统的结构和功能特性，Bi-GNN能够捕捉EEG信号与临床指标间的复杂相互作用，为早期诊断提供了可靠工具。框架中集成的注意力机制和可解释性组件，使临床医生能够理解模型的决策依据，增强了其在真实医疗环境中的适用性。
研究的创新之处在于将神经科学原理与图神经网络有机结合，不仅提高了诊断准确性，还增强了模型的可解释性。前向-前向学习机制的应用，避免了传统反向传播的复杂性，更符合生物神经系统的信息处理方式。突触可塑性的引入，使模型能够自适应地调整连接权重，模拟大脑学习过程。
然而，研究也存在一定局限性。当前框架主要侧重于模型性能评估，尚未集成数据安全和隐私保护机制，这在临床实际部署中至关重要。此外，模型在离线环境下测试，要转化为实时床边监测系统，还需要进一步的延迟优化工作。
这项研究的深远意义在于，它为新生儿败血症的早期预警提供了新的技术路径，将人工智能与临床医学深度融合，推动了个性化、精准化新生儿监护的发展。未来，随着多模态数据融合技术的进一步完善和实时处理能力的提升，这种脑启发的方法有望在更广泛的医疗诊断场景中发挥重要作用，为危重患儿的生命健康提供更强有力的保障。
