MS-STFNN：一种用于基于fMRI的抑郁症诊断的多尺度时空融合神经网络

《Neural Networks》：MS-STFNN: A Multi-Scale Spatio-Temporal Fusion Neural Network for fMRI-Based Depression Diagnosis

抑郁症客观诊断方法研究：基于fMRI的多尺度时空融合神经网络模型，结合动态功能连接与原始序列数据，有效捕捉脑网络多粒度空间特征与多分辨率时间动态，实现抑郁症亚型分类，实验表明其优于基线模型且各组件均有显著贡献。

　　
当前抑郁症（MDD）临床诊断高度依赖主观量表评估，存在效率低、标准不统一等痛点。近年来基于功能磁共振成像（fMRI）的脑网络分析技术成为研究热点，但现有方法存在三方面核心缺陷：首先，多数研究仅采用单一分辨率脑网络（如默认模式网络或全脑网络），而人脑具有从局部区域到全局系统的多层级组织结构，这种简化处理可能导致关键信息丢失；其次，现有动态功能连接（DFC）建模多依赖滑动窗口法，虽然能捕捉缓慢变化的连接模式，但会严重降低时间分辨率，而抑郁症患者瞬态神经活动模式的变化可能比长期趋势更具诊断价值；最后，时空特征融合多采用隐式架构（如GCN内嵌时间模块），难以有效整合不同空间尺度与时间粒度特征间的协同作用。

为突破上述瓶颈，研究团队提出多尺度时空融合神经网络（MS-STFNN）框架，在神经影像分析领域实现三大创新突破。首先，构建了包含细粒度（如灰质区域）、中粒度（如脑区集群）和大粒度（如全脑网络）的多层级脑网络体系，通过并行建模替代传统逐级聚合方法，在保证空间分辨率的同时实现跨尺度特征的有机衔接。其次，开发了双通道动态建模技术：在常规DFC建模基础上，创新性地引入原始BOLD信号时序分析模块，通过时频分析技术同步捕捉高频瞬态波动（5-30秒）和低频趋势特征（>30秒），时间分辨率较传统方法提升40%以上。更关键的是，建立了跨尺度时空交互模型，设计时空注意力机制引导不同空间层次特征与不同时间粒度特征的动态耦合，实现从局部异常到全局失衡的递进式诊断。

该框架的技术实现路径包含三个核心模块：1）多尺度脑网络解构模块，采用动态聚类算法自动划分脑区集群，构建包含12种不同空间粒度的脑网络体系；2）双流动态建模模块，前向流处理DFC矩阵捕获时序关联，后向流解析原始fMRI序列的时频特征，通过双向注意力门控机制实现时空特征的互补增强；3）跨尺度融合引擎，设计三阶特征交互模块：第一阶进行空间特征的多尺度对齐（如局部节点特征与全局拓扑特征），第二阶实施时间粒度的自适应匹配（将高频时序特征与低频趋势特征进行跨周期关联），第三阶通过门控注意力机制动态加权融合，确保不同特征通道的协同表达。

实验验证部分采用REST-meta-MDD大数据库（1300例MDD患者/1128例健康对照），重点考察模型对复发型（rMDD）与首发未用药型（FEDN）的鉴别能力。对比实验显示，MS-STFNN在F1-score指标上较现有最优模型（ST-GCN）提升18.7%，AUC值提高0.263。消融实验进一步揭示：多尺度空间特征提取贡献了41.3%的模型性能增益，动态原始信号融合模块提升23.6%的敏感度，跨尺度时空注意力机制使特异度提高29.8%。特别值得注意的是，在识别FPN与DMN异常耦合模式时，模型准确率较单尺度方法提升37.2%，验证了跨尺度特征交互的有效性。

该研究在临床转化方面取得突破性进展：通过建立标准化特征提取流程，将诊断准确率从传统方法的68.4%提升至92.3%，首次实现rMDD与FEDN亚型的空间-时间联合判别。技术优势体现在三个方面：其一，动态时空建模技术解决了传统DFC方法的时间分辨率缺陷，可捕捉到传统方法忽略的5-15秒关键动态窗口，这个时段与边缘系统神经递质快速波动高度相关；其二，多尺度特征融合机制突破了单一分辨率模型的局限性，在空间维度实现从灰质体表到白质纤维束的全尺度覆盖；其三，自监督预训练模块使模型在无标注数据场景下仍能保持85%以上的诊断性能，显著降低了对人工标注数据的依赖。

未来研究方向建议在三个方面深化：首先，开发可解释性增强模块，通过注意力可视化技术揭示不同时空特征对亚型判别的贡献度差异；其次，探索多模态数据融合路径，将fMRI与PET、EEG等数据源进行时空对齐处理；最后，构建临床验证数据库，需包含至少500例经过多中心复诊验证的MDD亚型样本，并建立包含生物标志物动态变化的长期随访数据集，以完善模型的临床适用性评估体系。这项研究不仅为抑郁症客观诊断提供了可靠工具，更开创了脑网络分析从静态建模到动态融合的技术范式转变，对精神疾病智能诊断系统的发展具有重要指导意义。