论文部分内容阅读
在如今生活节奏快、工作竞争激烈的社会环境的影响下,抑郁症已成为人群中一种常见的精神疾病,并成为了全球性公共卫生问题。对抑郁症进行准确的诊断以及预测病情能否通过药物有效控制(不同类型细分),对于确定合适的诊疗方案具有重要的意义。但是,目前临床上对抑郁症的诊断方式主要是通过对患者进行量表问询。该方式下患者回答的真实性有待考量且受医生经验和水平等因素的影响,诊断结果较为主观且易发生误诊的情况。近年来,已有大量的研究从大脑医学影像的角度寻找抑郁症的生物学诊断指标。目前常用的方法是直接采用不同脑区的功能连接权值作为特征来进行学习与分析,但这一特征忽略了脑网络的拓扑结构信息导致诊断精度不高。本文提出了一种具有较高准确率的抑郁症分类诊断方法,用于判别被试是否患有抑郁症(Major Depressive Disorder,简称MDD),如判定为未患病则归入正常(Health Control,简称HC)类别;如判定为患病则再进行该患者是否能够通过服用抗抑郁药物进行治疗的判别(疗效预测),具体可以细分为药物有效的抑郁(Responsive Depression,简称RD)以及药物无效的抑郁(Non-Responsive Depression,简称NRD)两种类型。本文实现了模型方法和疾病诊断上的两点创新。在模型方法上,本文创新性地从功能性核磁共振图像(functional Magnetic Resonance Imaging,简称fMRI)中提取出脑网络的拓扑结构(脑图)作为输入特征,基于图卷积神经网络(Graph Convolutional Neural Network,简称Graph-CNN)进行特征提取和抑郁症诊断分型。在抑郁症诊断上,本文创新性地研究了药物有效RD与药物无效NRD的大脑分区连接的区别,辅助医师依据每位MDD患者的药物反应预测情况提供合适的诊疗方案,即疗效预测。本文将从前期数据准备、诊断模型设计与实验效果验证三个方面展开论述。一是获取大脑fMRI数据、完成预处理操作并构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图,主要包括四个步骤:(1)大脑分区血氧合度依赖信号(Blood Oxygenation Level Dependent,简称BOLD信号)提取;(2)脑功能网络连接矩阵生成;(3)矩阵二值化和(4)脑图拓扑结构存储。二是将构建的脑图以及实际诊断标签输入到Graph-CNN中进行特征学习以及模型训练。网络通过图卷积和图先验池化的组合操作实现对脑图数据的特征分析与提取。其中图先验池化包括两种方式:大脑分区相似入度池化(Similar Indegree Pooling,简称SIP)或全脑层次网络池化(Whole Brain Hierarchical Network Pooling,简称BHP)。接着,通过全连接层实现最终的疾病分类以及疗效预测。三是采用5倍交叉验证法测试诊断结果的准确率。实验发现在自动解剖标签(Anatomical Automatic Labeling,简称AAL)图谱映射以及阈值量化(T=0.8)下通过图卷积神经网络Graph-CNN-SIP,可以得到疾病诊断(HC或MDD)最高为90.11%的准确率,三分类(HC、RD或NRD)最高为79.12%的准确率。在脑网络组(Brainnetome,简称BN)图谱映射以及阈值量化(T=0.8)下通过图卷积神经网络Graph-CNN-SIP,可以得到疗效预测(RD或NRD)最高为80.44%的准确率。在进一步的抑郁症患者脑连接研究中发现,抑郁症患者相较于健康对照的大脑拓扑结构发生了明显变化且RDs与NRDs之间存在一定的规律:以HCs为基准参考RDs的大脑分区连通性分布较密集,NRDs的连通性分布较稀疏。这从脑神经学功能连接拓扑特征上解释了抑郁症的病理机制,为抑郁症疾病模型诊断奠定了基础。此外,本文还提取了最优性能所对应的分类网络的第一个图卷积层的滤波器系数,分析并找出了AAL图谱划分的脑区中最能区分HC与MDD的脑区左前扣带回(Left Anterior Cingulated Cortex)并进行相关的医学解释,验证了本模型的有效性与可行性。