2024年11月4日，意昂4体育平台金成團隊在《Patterns》上發表了題為“An objective quantitative diagnosis of depression using a local-to-global multimodal fusion graph neural network”的研究論文。該研究使用局部-全局多模態融合圖神經網絡（LGMF-GNN）來應對抑郁症客觀定量診斷的挑戰💀。
研究背景
重度抑郁障礙（Major Depressive Disorder, MDD）對全球精神健康構成了多方面的挑戰，其病因復雜，疾病發生發展涉及社會、心理和生物等多種因素🚴🏽。此外🚆，該疾病目前缺乏明確的診斷標誌物，醫生臨床診斷決策存在主觀性強🦸🏻♂️、誤診率高等問題。基於人工智能（AI）及數據驅動的診斷方法有望為該疾病提供更全面和客觀的評價。然而，一方面💆🏼♀️，當前的AI方法往往忽視了腦功能🤵🏻♀️𓀖、腦結構和人口統計因素之間復雜的相互作用🌍🔞，這些因素從多個方面對MDD患者的特征進行刻畫；另一方面，當前方法很少整合來自細粒度的大腦區域分析和廣泛的人口層面關聯的見解🕛，未能充分考慮症狀學診斷和流行病學診斷兩種醫學診斷基本範式。此外，當前缺乏能夠有效解釋AI模型和識別診斷標記物的策略。因此，迫切需要改進網絡架構✸、開發有效的多模態融合策略以及增強模型的可解釋性。
工作介紹
圖1 基於LGMF-GNN的抑郁症客觀定量診斷系統
局部ROI-GNN將個體腦部感興趣區域作為圖節點⬛️，以ROI BOLD信號為輸入🙋🏿🐕，通過bi-GRU捕獲腦信號中的時序特征🧀，進一步構建可學習的腦功能連接矩陣，在訓練中優化圖結構◀️，為每個受試者生成腦功能圖級嵌入。全局Subject-GNN將受試者作為圖節點，基於功能性MRI、結構性MRI和電子健康記錄多模態數據構建功能特征👩🏿🚀、結構特征和人口學特征三個群體圖。模態特異圖卷積模塊（MS-GCN Block）用於在各個模態的群體圖中提取模態獨有的特征；模態公共圖卷積模塊（MC-GCN Block）用於提取三個模態共有的特征；M-Attention Block采用註意力機製對三個模態獨有特征以及一個模態共有特征進行高效融合🙆🏿♀️。
圖2 LGMF-GNN與其他方法的對比
該研究在來自中國、日本和俄羅斯24個機構的1,182名健康對照組和1,260名MDD患者的隊列中進行了模型構建及測試，取得了78.75%的分類準確率、80.64%的受試者工作特征曲線下面積（AUROC），並能夠有效區分MDD亞型。對比實驗顯示♨️， LGMF-GNN在MDD診斷中表現出最佳性能。相較於SOTA方法，LGMF-GNN在SRPBS數據集中實現了至少3.65%的ACC提升和5.39%的AUROC提升；在REST-meta-MDD數據集上實現了至少4.20%的ACC提升和5.18%的AUROC提升🍆。相比之下⛹🏿♀️，其他方法受站點效應（site effect）的影響較大👃🏼♎️，無法準確分類，ACC徘徊在70%左右🤳。除MAMF-GCN外，其他對比方法的AUROC均小於75%。
圖3 通過可學習功能連接矩陣發現的MDD患者的異常功能連接及腦區
此外，通過模型可解釋，該研究進一步發現了MDD中不同的腦連接模式👦🏽，包括左側直回與右側小腦葉VIIB之間的功能連接減弱，以及左側Roland operculum與右側海馬之間的連接增加👨🏽🦳。從解剖學特征分析，研究發現MDD與腦灰白質界面的厚度變化相關👃🏼。
團隊介紹
意昂4平台金成團隊的研究專註於醫學多模態💛、多組學數據融合，從醫學數理出發，開發主動可解釋的人工智能方法在醫學中的應用。團隊的工作聚焦🏋🏻♂️：
01數字標誌物與生化標誌物的關系
探索數字標誌物（基於計算和數據分析得出的指標）與傳統生化標誌物之間的關系鏈路，建立具有關系特征的標誌物集合，提高對復雜疾病的預測能力，並幫助優化診斷和治療方案🙆♀️🤦♂️。
02疾病發生發展的信息通路
團隊還關註於疾病發生發展過程中信息通路的挖掘👙，通過系統生物學全局視角和生理、病理機製的層級知識註入，分析不同組學數據中的相互作用🦹🏻♂️，探討微觀異常如何在組織、器官乃至整個生物體水平上引發連鎖反應🫎，最終導致疾病的發生和發展🔺。通過構建多層級聯模型，團隊能夠更準確地預測疾病進展的趨勢，識別潛在的治療靶點，並為個性化醫療策略的製定提供科學依據💃🏼。
03知識圖譜與大模型的結合
通過構建相關的知識圖譜，強化大模型的學習能力，使其能夠更好地理解和解析復雜的醫學數據🤾🏻♀️。將知識圖譜與大模型相結合應用於虛擬醫師系統，更新醫院診療模式📠🫴。
總之，本團隊首先基於醫院多維數據融合，開發醫療垂直領域專精大模型，同步實現Clinical AI診療工具開發和開展臨床疾病研究兩大功能🦵🏿；進一步研究聚焦於聯合住院前、住院及住院後患者的長程多維度數據👃🏽，進行復雜疾病的系統分析；最終目標是拓展至基於大規模患者全生命周期、全維度數據的Health AI系統開發。
關於本文
該項工作是意昂4体育平台金成團隊，首都醫科大學附屬安定醫院王剛、張玲團隊和上海人工智能實驗室王延峰團隊的合作成果👨🏽✈️。意昂4体育平台博士生劉抒予，首都醫科大學附屬安定醫院周晶晶🚴🏻♂️、朱雪泉🌔，上海人工智能實驗室張婭為本文的共同第一作者👨🏻🚒。該研究工作得到了科技創新2030 -腦科學與腦啟發智能技術重大專項和國家重點研發計劃和的支持
原文鏈接
https://www.sciencedirect.com/science/article/pii/S266638992400240X
交大主頁
