一种多模态混合表型感知图框架，用于神经精神障碍的诊断

多模态融合与时空图卷积的神经精神疾病诊断模型研究，提出MHPG框架整合神经影像与表型数据，通过ST-GCN提取多层级时空连接特征，结合全局局部特征剪枝策略优化节点特征，实验在ASD和MDD分类中分别达到81.26%和78.68%的准确率，并识别关键脑区。

　　

沈武|刘春|吴伟伦|夏正旺|焦竹青

中国常州市常州市大学计算机科学与人工智能学院，邮编213164

摘要

图神经网络（GNNs）在融合神经影像学和表型数据方面存在局限性。这主要是由于建模粗糙和特征选择不平衡所致，这些因素在去除冗余信息的同时未能充分保留局部区分性细节。为克服这些局限性，我们提出了一个多模态混合表型感知图（MHPG）框架。我们设计了一种多层次时空图卷积（ST-GCN）架构来提取功能连接特征，然后引入全局-局部特征剪枝（GLFP）策略来过滤关键节点并生成单个节点特征。MHPG协同整合了神经影像学数据和表型数据，构建了一个混合表型感知图，在该图中节点代表个体受试者，并根据影像-表型相似性计算边权重。这种结构能够区分受试者之间的同质性和异质性特征，从而有助于神经精神障碍的分类。实验结果显示，该框架在自闭症谱系障碍（ASD）上的准确率为81.26%，在重度抑郁症（MDD）上的准确率为78.68%，同时还能识别出具有区分性的脑区。该框架为神经精神障碍提供了有效的辅助诊断工具和生物标志物识别机制。

引言

神经精神障碍，包括自闭症谱系障碍（ASD）和重度抑郁症（MDD），正成为日益严重的全球公共卫生问题，其发病率不断上升（M. Wang等人，2025年；Yang等人，2025年）。这些疾病源于多种因素影响下的脑功能异常，表现为认知、情绪、意志和行为的障碍（Yahata等人，2016年）。由于大多数神经精神障碍的潜在机制尚不明确，准确的临床诊断面临很大挑战。由于缺乏可靠的生物标志物以及医生专业水平的差异，诊断存在主观性，这常常导致误诊（Wang, Sun, Shao, & Zhang, 2025年）。目前的临床实践主要依赖于专家对有限异常表现的主观评估（Biswal & Uddin, 2025年）。这种方法不仅降低了诊断的可及性，还可能延误干预时机。因此，建立可靠且精确的神经精神障碍诊断方法至关重要。

近年来，功能性磁共振成像（fMRI），特别是静息态fMRI（rs-fMRI），已成为研究神经精神障碍的实用工具（Ma, Zhu, Wen, Yang, & Zhang, 2026年）。作为一种非侵入性成像技术，rs-fMRI通过测量血氧水平依赖性（BOLD）信号波动来表征脑区之间的功能连接，从而构建功能连接网络（FCNs）（Li, Zhu, Tian, Shao, & Zhang, 2025年）。图神经网络（GNNs）因其处理非欧几里得空间数据的强大建模能力而受到广泛关注。当前的GNN方法主要采用两种范式：个体图和群体级图。个体图通过将感兴趣的区域（ROIs）表示为节点并通过边连接起来来建模大脑，从而识别患者中的异常脑区。然而，微妙的神经解剖和功能变化仍然对神经精神障碍的精确临床诊断构成挑战。相比之下，群体级图综合了从一组受试者获取的多模态表型和神经影像数据，并对其相互关系进行建模（Ren等人，2025年；Zhang等人，2025年）。

然而，上述方法过于强调群体级别的共性模式，未能充分考虑受试者间的异质性，如疾病亚型或进展差异。这导致了建模粗糙，即它们未能充分描述细微的个体差异，而是依赖于简化的图结构或特征聚合。这些方法忽略了疾病表现的异质性、亚型特定的连接模式以及影像和表型数据之间的非线性相互作用（Liu, Shan, Ding, Wang, & Jiao, 2025年）。最近的研究将FCN衍生的特征纳入群体级图，但未能考虑自然受试者变异（性别、年龄）和大脑内跨区域的信息交互（Wang等人，2023年）。本研究的主要贡献如下：

• （1）
  我们提出了一个多模态混合表型感知图（MHPG）框架，该框架协同整合了神经影像学数据和表型数据，以区分受试者间的同质性和异质性，在保留个体特异性的同时融入群体级别的关系模式。
• （2）
  我们设计了一种多层次时空图卷积（ST-GCN）架构，用于提取半球内和全脑尺度的功能连接特征，从而增强了神经精神障碍诊断的区分能力。
• （3）
  我们设计了全局-局部特征剪枝（GLFP）策略来生成个性化节点特征。全局特征剪枝阶段包括节点聚类以保持拓扑完整性，而局部特征剪枝阶段应用节点显著性评分来隔离关键生物标志物。

部分摘录

传统机器学习方法

传统机器学习在神经精神障碍诊断中得到了广泛应用（Bi等人，2024年；Wen等人，2025年）。常见的算法如支持向量机（SVM）、随机森林和K-最近邻（KNN）具有不同的操作特性。SVM主要应用于二元分类，通过检测异常的FCN特征将患者与健康对照组区分开来。而随机森林和KNN对复杂数据具有更强的适应性

方法

图1展示了用于神经精神障碍诊断的MHPG框架。

数据预处理

我们在两个公开可用的数据集上评估了MHPG：ABIDE（https://fcon_1000.projects.nitrc.org/indi/abide/）（Di Martino等人，2014年）和REST-meta-MDD（https://fcon_1000.projects.nitrc.org/indi/adhd200/）（Chen等人，2022年），这两个数据集都包含了神经精神障碍的rs-fMRI和表型数据（表1）。数据预处理遵循了标准化的rs-fMRI流程DPARSF（Cheng等人，2016年）。最初排除了10个时间点的数据以消除磁化平衡效应。

超参数的影响

MHPG需要调整两个超参数：s（局部剪枝中的节点丢弃率）和k（全局剪枝中的聚类度）。如图9所示，ABIDE的最佳性能在s = 0.4、k = 0.6时达到，REST-meta-MDD的最佳性能在s = 0.45、k = 0.5时达到。在极端值下，由于冗余过多（低s）或信息丢失过多（高s），性能会下降。在较宽的中间范围内（例如，s ∈ [0.3, 0.6]，k ∈ [0.4, 0.7]），模型表现出稳定且高的准确率。

结论

本研究提出了用于神经精神障碍分类和生物标志物识别的多模态混合表型感知图（MHPG）框架。该框架引入了三项核心方法创新：一种混合表型感知图，通过整合神经影像学和表型数据来模拟受试者级别的特异性和群体级别的关联；一种多层次ST-GCN，用于提取具有区分性的层次化时空特征；以及一种GLFP策略，用于平衡

未引用的参考文献

Li等人（2025年）。

CRediT作者贡献声明

沈武：概念化、方法论、可视化、撰写——原始草案。刘春：数据整理、研究、软件。吴伟伦：概念化、研究、形式分析。夏正旺：方法论、验证。焦竹青：方法论、撰写——审稿与编辑、监督、资金获取。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了中国教育部人文与社会科学研究一般项目（项目编号：25YJAZH073）、江苏省高等学校自然科学基金（项目编号：24KJB310001）以及常州市科技计划项目（项目编号：CJ20252013）的支持。此外，本研究还得到了江苏省青兰计划的资助。