基于大语言模型的功能连接特征选择与反事实解释在精神分裂症研究中的创新应用

《Frontiers in Neuroscience》：LLM-based feature selection and counterfactual explanations applied to functional connectivity analysis in schizophrenia

本文提出了一种创新框架，将大语言模型（LLM）的先验知识引导与反事实解释技术相结合，用于精神分裂症（SZ）的功能连接（FC）分析。该方法通过LLM-Lasso进行特征选择，有效筛选出兼具统计学显著性与生物学合理性的关键FC特征，并利用反事实解释生成直观的干预建议，为理解SZ的神经病理机制提供了新的可解释性分析工具。

　　

引言

精神分裂症（SZ）是一种复杂的神经精神疾病，其神经机制尚不明确。功能连接（FC）为理解其病理机制提供了独特视角，但高维特性对特征选择和模型解释提出了挑战。传统特征选择方法缺乏神经科学先验知识的整合，导致临床相关性有限。

材料与方法

本研究使用五个公共SZ数据集（COBRE、华西、诺丁汉、台湾、湘雅），包含773名受试者。静息态功能磁共振成像（rs-fMRI）数据经过预处理后，根据AAL模板定义90个脑区，计算节点时间序列的相似性作为功能连接矩阵。每个受试者的FC特征表示为1×4005维向量。

基于LLM-Lasso的特征选择

为解决高维小样本问题，本研究提出LLM-Lasso特征选择方法。通过将LLM嵌入的脑疾病知识转化为连接特异性惩罚权重，对Lasso的?₁惩罚项进行加权。目标函数为：

β? = min_β{1/2∑_i=1ⁿ(y_i-β₀-x_i^?β)²+ λ∑_j=1^pω_j|β_j|}

其中ω_j为LLM生成的惩罚因子。通过交叉验证选择最优变换函数u^*∈U，确保模型性能不低于传统Lasso。

反事实解释

采用反事实解释模型生成多组反事实样本，通过优化包含铰链损失、距离函数和多样性度量的目标函数：

X(m_i) = γ₁/L∑_l=1^Ldist(x_i^l,m_i) - γ₂diversity(x_i¹,...,x_i^L) + argmin_{xi¹,...,xi^L}1/L∑_l=1^Lloss_hinge(f(x_i^l),?)

最终通过LLM将反事实示例转化为自然语言解释，为临床提供直观指导。

结果与讨论

在五个SZ数据集上的实验表明，该方法不仅提高了分类准确率（ACC最高达91.67%），还筛选出与SZ病理机制相关的关键FC特征。统计分析发现异常FC主要集中在默认模式网络（DMN）、感觉运动网络和边缘系统等关键脑区。跨数据集验证显示该方法具有良好的泛化能力，准确率保持在83%以上。

结论

本研究提出的LLM引导特征选择与反事实解释框架，为SZ的FC分析提供了新的研究方法。通过结合LLM的先验知识和反事实解释技术，该方法在提高分类性能的同时增强了模型的可解释性，有望为SZ的早期诊断和个性化治疗提供重要支持。