基于高阶脑连接的多模态弹性网络构建的三重GCN模型对重度抑郁症的识别

《Psychiatry Research: Neuroimaging》：Identification of Major Depressive Disorder Based on Triple-GCN Model Constructed with Multimodal Elastic Network from Higher-Order Brain Connectivity

本文提出基于多模态融合弹性网络（MFEN）与三向Siamese-图卷积神经网络（TS-SPGCN）的抑郁症（MDD）辅助诊断框架，整合sMRI（灰质体积、白质完整性）与rs-fMRI（ALFF、ReHo）数据，通过LASSO-Ridge弹性网络构建高阶脑网络，结合自注意力机制优化图卷积网络特征提取，在UK Biobank数据库的2048例MDD患者和2562例健康对照中验证，诊断准确率达89%，为神经精神疾病提供新诊断工具。

　　

邹颖|单赫路|李媛

中国烟台市烟台职业学院信息工程系

摘要

重度抑郁症（MDD）是一种威胁人类福祉的常见精神健康疾病。多项神经影像学研究表明，分析神经连接模式可以提高诊断准确性，但大多数方法忽略了节点-边之间的相互作用。我们的研究提出了一种结合LASSO和Ridge回归算法与大脑连接特征的综合方法。利用sMRI和fMRI数据，我们构建了一个多特征（灰质体积/ALFF/Reho）融合弹性网络（MFEN）框架，以增强MDD的识别能力。此外，我们通过引入自注意力机制改进了图卷积神经网络（GCN）算法，并应用了三重孪生网络来增强特征提取。我们在2048名首次发作且未使用过药物治疗的MDD患者和2562名健康对照组上测试了这种MDD识别方法，使用了来自英国生物银行数据库的rs-fMRI数据和sMRI特征。结果表明，提取的特征显著提高了区分能力，为识别更可靠的MDD生物标志物奠定了基础。通过将这些技术与弹性网络相结合，MDD检测的分类准确率显著提高到了89%，突显了该框架在精神健康诊断中的优越性能。总之，这种MDD识别框架被证明非常有效，并可能为临床实践中其他神经精神障碍的辅助诊断提供新的见解。

引言

重度抑郁症（MDD）是一种以持续且普遍的悲伤、内疚和无价值感为特征的精神健康状况，通常伴有自杀风险的增加（Abdoli等人，2022年）。在过去的二十年里，由于人类大脑评估工具和协议的进步，人们对MDD的神经生物学机制有了显著的理解（Watts等人，2022年）。早期发现和干预对于有效治疗抑郁症至关重要（Moitra等人，2022年）。

静息态功能磁共振成像（rs-fMRI）是一种非侵入性的神经影像技术，在众多神经科学研究中发挥着关键作用（Tang等人，2025年）。该方法通过检测血氧水平依赖性（BOLD）信号的低频波动来测量自发的脑活动，这反映了与神经元活动相关的血流动力学变化。通过分析BOLD信号，研究人员可以识别在各种认知过程或情绪状态下表现出不同激活的脑区（Ganesan等人，2025年）。这种方法使我们能够研究功能性脑网络及其动态相互作用，揭示不同区域如何贡献于特定的神经功能。例如，rs-fMRI在绘制参与语言处理、注意力、记忆、情绪调节和其他认知领域的脑区方面发挥了重要作用（Pilmeyer等人，2022年）。值得注意的是，rs-fMRI在为抑郁症的治疗决策提供信息方面特别有价值。以往的研究利用这项技术发现MDD患者在多个脑区存在异常的激活模式，包括海马体、后扣带回皮层、眶额皮层、前额叶皮层和枕叶区域（Tassone等人，2022年）。处理后的fMRI数据通常会产生两个关键指标：低频波动幅度（ALFF）和区域同质性（ReHo）。这些指标在MDD人群的诊断研究中被广泛使用（Pilmeyer等人，2022年）。

结构磁共振成像（sMRI）是一种生成详细脑解剖图像的神经影像技术，它提供了关于脑结构和形态的重要信息，有助于研究脑发育、识别结构异常和评估神经系统疾病（Long等人，2025年；Radonji?等人，2021年）。sMRI提供了关键的神经解剖学指标，包括皮层厚度、灰质（GM）体积/密度和白质（WM）完整性，这些指标在抑郁症研究中得到了广泛应用，并证明了其诊断价值（Zhou等人，2022年）。与健康个体相比，MDD患者的某些脑区（如额叶和边缘结构）的灰质体积（GMV）可能会减少（Wei等人，2022年）。这两种GM特征是抑郁症评估的重要生物标志物，许多研究证实了它们在MDD分析中的关键作用（Long等人，2023年）。

许多研究发现，多模态融合研究能够更好地揭示MDD的病理机制，并有助于辅助诊断。目前多模态研究中的一个主要挑战是确定统一不同类型数据的方法论（Paolini等人，2023年）。图论为描述系统实体之间的相互作用提供了一个数学框架，在这种情况下特别有用（Yun等人，2021年）。以往的研究报告了MDD患者大脑连接中的拓扑异常，包括小世界效应和社区结构的大规模重组（Chen等人，2024年）。通过rs-fMRI图论分析，观察到MDD患者大脑中的异常连接，例如内侧前额叶皮层与前扣带回皮层之间的连接增强（Agziyart等人，2024年），扣带回丘脑之间的连接增强（Deng等人，2022年），以及双侧背外侧前额叶皮层与右侧上顶叶皮层之间的连接减弱（Jiang等人，2020年）。Cohen等人总结说，某些皮层连接可以作为未治疗抑郁症患者与健康对照组（HC）之间最佳分类的生物标志物（Cohen等人，2021年）。Korgaonkar等人发现，在大量抑郁症样本中，包括额叶皮层、丘脑和尾部区域，DMN和网络内的结构连接性有所下降。多模态技术提供了神经疾病的整体特征，不能仅依赖于任何单一模式（Korgaonkar等人，2020年）。因此，我们推断结合rs-fMRI和sMRI数据可以更好地理解脑疾病的病理生理学和后果。为了使结果更可靠，我们使用LASSO和Ridge回归构建了一个弹性网络，而不是常见的皮尔逊相关网络来预测因素之间的极端相关性。

图卷积网络（GCN）特别适合分析图结构化数据，使其与脑网络的整合有效地捕捉拓扑特征。这种架构在传输、聚合和更新图节点信息方面表现出色，从而生成有价值的数据用于疾病识别（Jiao等人，2023年）。然而，GCN存在两个显著的限制：首先，它们通常需要大型训练数据集，而这在医学影像研究中往往不可用；其次，由于缺乏有效的池化操作来提取更具代表性的特征，它们在学习网络拓扑方面的性能不佳（Umapathi等人，2022年）。孪生网络为这些神经影像学挑战提供了潜在的解决方案，特别是训练数据的稀缺性和捕捉细微特征相似性的需求。这种专门的神经网络架构通过计算配对输入之间的相似性指标来执行目标匹配或分类任务（Lee等人，2021年），为解决脑网络分析中的这些固有约束提供了潜在的解决方案。

鉴于上述问题，我们提出了基于多模态融合高阶脑连接网络的三重孪生网络和GCN与自注意力池化（TS-SPGCN）模型，用于识别MDD患者。首先，我们使用LASSO和ridge回归为每个个体构建了多特征融合弹性网络（MFEN），并基于其他参考思想计算了更高阶（第二/第三级）的MFEN。这样，更高阶的网络可以揭示比传统网络更高级和更复杂的交互关系。然后，GCN中通过自注意力改进的池化层可以考虑节点特征和网络拓扑，有助于图池化操作并过滤掉无用的信息，留下更具区分性的节点特征。最后，我们开发了三重孪生网络GCN模型来学习脑连接网络的特征表示。

数据预处理

在这项研究中，我们使用了来自英国生物银行数据库的数据集（网址：https://www.ukbiobank.ac.uk/），其中包含fMRI和sMRI原始数据。关于图像采集、处理和质量控制协议的详细信息可以在网站https://biobank.ctsu.ox.ac.uk/crystal/crystal/docs/brain_mri.pdf和其他来源（Lyall等人，2025年）找到。2048名参与者至少符合一个抑郁症暴露标准（平均[SD]年龄为63.88 [5.31]岁）

MDD诊断中最具区分性的特征

为了分析本研究提出的网络构建方法对抑郁症诊断的生理意义，我们将重点研究三阶高阶网络（MHFEN（H++）的属性，并从中识别出具有区分性的生物标志物。我们基于不同脑区之间的交互关系构建了网络。因此，在本节中，我们专注于MHFEN（H++）中脑区之间的连接性分析。

网络构建方法的分析

多模态脑网络提出的特征比较结果表明，多种模态数据的融合有助于MDD的诊断。从网络分类结果来看，基于弹性网络的方法比基于LASSO的方法表现更好，这与现有研究结果一致（Guo等人，2018年）。先前的研究表明，稀疏回归可以用来构建网络并实现良好的分类性能（Li等人

结论

在本文中，我们提出使用多模态脑图像特征构建一个弹性网络，并将其与基于GCN的三重孪生网络结合，以89%的准确率识别MDD患者。具体来说，我们将fMRI的ReHo和ALFF特征与sMRI图像的WM和GM特征融合，进一步利用套索和ridge回归的思想构建了MHFEN，揭示了每个MDD中脑区结构和功能的协作工作模式

限制

为了提高现有框架的性能，需要考虑几个限制因素。（1）样本主要由首次发作且未使用过药物治疗的患者组成，这排除了药物和长期疾病进展的混杂效应。然而，这也意味着这些发现可能不适用于更广泛的MDD人群，包括那些正在接受积极治疗或有复发发作的患者。未来的研究应纳入详细的治疗信息

CRediT作者贡献声明

邹颖：撰写——原始草稿，数据整理。单赫路：撰写——审稿与编辑，资金获取。李媛：方法论，概念化。

利益冲突声明

所有作者声明，本研究是在没有任何可能被视为潜在利益冲突的商业或财务关系的情况下进行的。

致谢

这项工作部分得到了山东省职业教育教学改革研究项目（项目编号2024588）和烟台职业学院的横向项目（项目编号HX2025115）的支持。