基于子空间增强超图神经网络的焦虑障碍识别与生物标志物检测

人工智能 信息科学 精神病学 医学 生命科学 生物工程 医学影像
焦虑障碍 超图神经网络 多模态数据 子空间增强 生物标志物

基于子空间增强超图神经网络的焦虑障碍识别与生物标志物检测研究

基于子空间增强超图神经网络的焦虑障碍识别与生物标志物检测

学术背景

焦虑障碍（Anxiety Disorders, ADs）是全球范围内常见的心理健康问题，影响约7.3%的人口。焦虑障碍患者通常表现出过度的恐惧、担忧以及相关的行为异常，这些症状严重影响了患者的社交功能和生活质量，同时也给家庭和社会带来了巨大的负担。焦虑障碍可以分为多种亚型，如广泛性焦虑障碍（Generalized Anxiety Disorder, GAD）、社交焦虑障碍（Social Anxiety Disorder, SAD）、恐慌症（Panic Disorder, PD）和特定恐惧症（Specific Phobia, SP）。尽管这些亚型在临床实践中通常通过观察进行诊断，但仍需通过生物标志物来区分患者与健康个体，以便更好地识别大脑中的异常变化。

近年来，深度学习（Deep Learning, DL）技术在精神疾病诊断中得到了广泛应用，特别是卷积神经网络（Convolutional Neural Networks, CNNs）和图神经网络（Graph Neural Networks, GNNs）在焦虑障碍分类中表现出色。然而，传统的深度学习模型在处理功能磁共振成像（fMRI）和脑电图（EEG）数据时，难以捕捉大脑区域之间的非欧几里得关系。为了解决这一问题，超图神经网络（Hypergraph Neural Networks, HGNNs）被提出，用于捕捉大脑区域之间的复杂结构信息。

论文来源

本论文由Yibin Tang、Jikang Ding、Ying Chen、Yuan Gao、Aimin Jiang和Chun Wang共同撰写，分别来自河海大学信息科学与工程学院、常州大学微电子与控制工程学院和南京医科大学附属脑科医院精神科。论文于2025年发表在Neural Networks期刊上，题为《Anxiety Disorder Identification with Biomarker Detection through Subspace-Enhanced Hypergraph Neural Network》。

研究流程

1. 数据预处理

研究团队从南京医科大学附属脑科医院的门诊诊所收集了179名焦虑障碍患者的数据，包括48名GAD患者、51名PD患者、25名SAD患者和55名SP患者。同时，招募了108名健康对照（Healthy Control, HC）参与者。所有参与者均接受了MRI扫描，获取了T1加权解剖图像和静息态回波平面成像序列。通过使用DPABI、MRICron和SPM工具箱对MRI数据进行预处理，获得了三种多模态数据：低频振幅（Amplitude of Low-Frequency Fluctuations, ALFF）、区域同质性（Regional Homogeneity, ReHo）和基于体素的形态学分析（Voxel-Based Morphometry, VBM）。最终，研究团队聚焦于边缘系统的18个区域，每个受试者的区域多模态数据维度为18×3。

2. 特征选择与提取

研究团队提出了子空间增强超图神经网络（Subspace-Enhanced Hypergraph Neural Network, SEHGNN）模型，并将其嵌入到现有的二元假设检验（Binary Hypothesis Testing, BHT）框架中，形成了SEHGNN-BHT流程图。特征选择阶段，研究团队使用支持向量机递归特征消除（Support Vector Machine with Recursive Feature Elimination, SVM-RFE）方法计算每个多模态数据的可靠性权重，并选择前10个区域作为典型多模态数据。特征提取阶段，SEHGNN模型通过子空间增强超图卷积（Subspace-Enhanced Hypergraph Convolution, SEHGC）操作提取高维特征。

3. 焦虑障碍分类

在焦虑障碍预测阶段，研究团队评估了高维特征在不同假设下的聚类性能，并通过计算和比较变异性得分来确定真实假设，为测试受试者分配相应的标签。为了提高分类性能，研究团队还引入了集成学习策略，通过多次运行SEHGNN-BHT框架并使用多数投票策略确定最终预测标签。

主要结果

研究结果显示，SEHGNN模型在焦虑障碍分类中表现出色，准确率达到了84.46%。通过集成学习策略，模型的性能进一步提升，准确率达到了94.1%。此外，SEHGNN模型成功识别了与焦虑障碍相关的生物标志物，这些标志物与现有研究报告一致，为方法的有效性和可解释性提供了有力证据。

结论与意义

本研究提出的SEHGNN模型通过强调每条超边的影响，在集成学习的帮助下实现了高达94.1%的焦虑障碍分类准确率。该方法利用SEHGNN-BHT框架处理多模态数据，实验结果表明，SEHGNN模型在边缘系统有限区域内的表现优于其他基于深度学习的模型。此外，通过t检验和多变量方差分析（MANOVA）进行生物标志物检测，SEHGNN模型识别的生物标志物与近期研究结果一致，突出了该方法的可解释性及其在揭示焦虑障碍发展机制方面的潜力。

研究亮点

  1. 高分类准确率：SEHGNN模型在焦虑障碍分类中达到了94.1%的准确率，显著优于其他基于深度学习的模型。
  2. 生物标志物识别：SEHGNN模型成功识别了与焦虑障碍相关的生物标志物，为疾病的诊断和治疗提供了新的视角。
  3. 子空间增强超图卷积操作：通过引入可学习的权重矩阵，SEHGNN模型能够自适应地增强超边的影响，提高了特征提取的效果。
  4. 集成学习策略：通过多次运行SEHGNN-BHT框架并使用多数投票策略，研究团队进一步提高了模型的分类性能。

其他有价值的信息

研究团队还进行了超参数调优实验，发现选择10个脑区作为典型多模态数据时，分类性能最佳。此外，研究团队还通过子空间信号分解量化了各区域对焦虑障碍分类的贡献，进一步验证了SEHGNN模型的有效性。

本研究为焦虑障碍的诊断和治疗提供了新的工具和方法，具有重要的科学价值和应用前景。