Identification des troubles anxieux avec détection de biomarqueurs via un réseau de neurones hypergraphe amélioré par sous-espace
Identification des troubles anxieux et détection de biomarqueurs via un réseau de neurones hypergraphes amélioré en sous-espace
Contexte académique
Les troubles anxieux (Anxiety Disorders, ADs) sont des problèmes de santé mentale courants à l’échelle mondiale, affectant environ 7,3 % de la population. Les patients souffrant de troubles anxieux présentent généralement des peurs excessives, des inquiétudes et des anomalies comportementales connexes, qui ont un impact significatif sur leur fonctionnement social et leur qualité de vie, tout en imposant un fardeau considérable aux familles et à la société. Les troubles anxieux peuvent être classés en plusieurs sous-types, tels que le trouble d’anxiété généralisée (Generalized Anxiety Disorder, GAD), le trouble d’anxiété sociale (Social Anxiety Disorder, SAD), le trouble panique (Panic Disorder, PD) et la phobie spécifique (Specific Phobia, SP). Bien que ces sous-types soient généralement diagnostiqués en pratique clinique par observation, il est encore nécessaire de distinguer les patients des individus sains à l’aide de biomarqueurs pour mieux identifier les changements anormaux dans le cerveau.
Ces dernières années, les techniques d’apprentissage profond (Deep Learning, DL) ont été largement utilisées dans le diagnostic des maladies mentales, en particulier les réseaux de neurones convolutifs (Convolutional Neural Networks, CNNs) et les réseaux de neurones graphiques (Graph Neural Networks, GNNs) qui ont montré des performances remarquables dans la classification des troubles anxieux. Cependant, les modèles d’apprentissage profond traditionnels ont du mal à capturer les relations non euclidiennes entre les régions cérébrales lors du traitement des données d’imagerie par résonance magnétique fonctionnelle (fMRI) et d’électroencéphalographie (EEG). Pour résoudre ce problème, les réseaux de neurones hypergraphes (Hypergraph Neural Networks, HGNNs) ont été proposés pour capturer les informations structurelles complexes entre les régions cérébrales.
Source de l’article
Cet article a été co-écrit par Yibin Tang, Jikang Ding, Ying Chen, Yuan Gao, Aimin Jiang et Chun Wang, respectivement affiliés au College of Information Science and Engineering de l’Université de Hohai, à la School of Microelectronics and Control Engineering de l’Université de Changzhou et au Department of Psychiatry de l’Hôpital cérébral affilié à l’Université médicale de Nanjing. L’article a été publié en 2025 dans la revue Neural Networks, sous le titre « Anxiety Disorder Identification with Biomarker Detection through Subspace-Enhanced Hypergraph Neural Network ».
Processus de recherche
1. Prétraitement des données
L’équipe de recherche a collecté des données auprès de 179 patients souffrant de troubles anxieux dans les cliniques externes de l’Hôpital cérébral affilié à l’Université médicale de Nanjing, incluant 48 patients atteints de GAD, 51 de PD, 25 de SAD et 55 de SP. Parallèlement, 108 participants en bonne santé (Healthy Control, HC) ont été recrutés. Tous les participants ont subi une IRM pour obtenir des images anatomiques pondérées en T1 et des séquences d’imagerie écho-planar au repos. En utilisant les boîtes à outils DPABI, MRICron et SPM pour le prétraitement des données IRM, trois types de données multimodales ont été obtenus : l’amplitude des fluctuations de basse fréquence (Amplitude of Low-Frequency Fluctuations, ALFF), l’homogénéité régionale (Regional Homogeneity, ReHo) et l’analyse morphométrique basée sur les voxels (Voxel-Based Morphometry, VBM). Finalement, l’équipe s’est concentrée sur 18 régions du système limbique, avec des données multimodales régionales de dimension 18×3 pour chaque sujet.
2. Sélection et extraction des caractéristiques
L’équipe de recherche a proposé un modèle de réseau de neurones hypergraphes amélioré en sous-espace (Subspace-Enhanced Hypergraph Neural Network, SEHGNN) et l’a intégré dans un cadre de test d’hypothèse binaire (Binary Hypothesis Testing, BHT), formant ainsi le diagramme de flux SEHGNN-BHT. Dans la phase de sélection des caractéristiques, l’équipe a utilisé la méthode d’élimination récursive des caractéristiques par machine à vecteurs de support (Support Vector Machine with Recursive Feature Elimination, SVM-RFE) pour calculer les poids de fiabilité de chaque donnée multimodale et a sélectionné les 10 premières régions comme données multimodales typiques. Dans la phase d’extraction des caractéristiques, le modèle SEHGNN a extrait des caractéristiques de haut niveau via l’opération de convolution hypergraphe améliorée en sous-espace (Subspace-Enhanced Hypergraph Convolution, SEHGC).
3. Classification des troubles anxieux
Dans la phase de prédiction des troubles anxieux, l’équipe de recherche a évalué la performance de clustering des caractéristiques de haut niveau sous différentes hypothèses et a déterminé l’hypothèse réelle en calculant et en comparant les scores de variabilité, attribuant ainsi l’étiquette correspondante au sujet testé. Pour améliorer la performance de classification, l’équipe a également introduit une stratégie d’apprentissage d’ensemble, en exécutant plusieurs fois le cadre SEHGNN-BHT et en utilisant une stratégie de vote majoritaire pour déterminer l’étiquette prédite finale.
Principaux résultats
Les résultats de l’étude montrent que le modèle SEHGNN a obtenu des performances exceptionnelles dans la classification des troubles anxieux, avec une précision de 84,46 %. Grâce à la stratégie d’apprentissage d’ensemble, la performance du modèle a été encore améliorée, atteignant une précision de 94,1 %. De plus, le modèle SEHGNN a réussi à identifier des biomarqueurs associés aux troubles anxieux, qui sont cohérents avec les rapports de recherche existants, fournissant des preuves solides de l’efficacité et de l’interprétabilité de la méthode.
Conclusion et signification
Le modèle SEHGNN proposé dans cette étude, en mettant l’accent sur l’influence de chaque hyperarête, a atteint une précision de classification des troubles anxieux de 94,1 % grâce à l’apprentissage d’ensemble. Cette méthode utilise le cadre SEHGNN-BHT pour traiter les données multimodales, et les résultats expérimentaux montrent que le modèle SEHGNN surpasse d’autres modèles basés sur l’apprentissage profond dans les régions limitées du système limbique. De plus, la détection de biomarqueurs via des tests t et une analyse de variance multivariée (MANOVA) a révélé que les biomarqueurs identifiés par le modèle SEHGNN sont cohérents avec les résultats de recherches récentes, mettant en évidence l’interprétabilité de la méthode et son potentiel à révéler les mécanismes de développement des troubles anxieux.
Points forts de la recherche
- Haute précision de classification : Le modèle SEHGNN a atteint une précision de 94,1 % dans la classification des troubles anxieux, surpassant significativement d’autres modèles basés sur l’apprentissage profond.
- Identification de biomarqueurs : Le modèle SEHGNN a réussi à identifier des biomarqueurs associés aux troubles anxieux, offrant de nouvelles perspectives pour le diagnostic et le traitement de la maladie.
- Opération de convolution hypergraphe améliorée en sous-espace : En introduisant une matrice de poids apprenable, le modèle SEHGNN peut renforcer de manière adaptative l’influence des hyperarêtes, améliorant ainsi l’effet d’extraction des caractéristiques.
- Stratégie d’apprentissage d’ensemble : En exécutant plusieurs fois le cadre SEHGNN-BHT et en utilisant une stratégie de vote majoritaire, l’équipe de recherche a encore amélioré la performance de classification du modèle.
Autres informations précieuses
L’équipe de recherche a également mené des expériences de réglage des hyperparamètres, constatant que la sélection de 10 régions cérébrales comme données multimodales typiques offrait la meilleure performance de classification. De plus, l’équipe a quantifié la contribution de chaque région à la classification des troubles anxieux via la décomposition du signal en sous-espace, validant davantage l’efficacité du modèle SEHGNN.
Cette étude fournit de nouveaux outils et méthodes pour le diagnostic et le traitement des troubles anxieux, possédant une valeur scientifique et des perspectives d’application importantes.