当AI遇见脑科学：图神经网络如何破译大脑密码，精准预测抑郁症疗效？

传统的深度学习模型（如卷积神经网络（CNN）和循环神经网络（RNN））在处理图像、序列等规则数据方面表现出色，但在分析大脑这种天然的复杂网络系统时存在局限。大脑由数百亿神经元通过数万亿连接构成，这种非欧几里得数据结构恰恰是GNN擅长处理的领域。

图神经网络是专门设计用于处理图结构数据的深度学习模型。与传统模型相比，GNN具有以下独特优势：

1、关系推理能力：能够显式地建模节点之间的关系和相互作用。

2、 拓扑结构保持：保留数据的图结构特性，不丢失连接信息。

3、可解释性：通过注意力机制等工具，提供对预测结果的解释。

4、灵活性：适应不同大小和复杂度的图结构。

GNN的核心思想是通过消息传递机制，让图中的节点通过边与相邻节点交换信息。这个过程通常包括三个关键步骤：

• 聚合：每个节点收集来自相邻节点的特征信息

• 更新：结合自身特征和收集到的信息更新节点表示

• 读出：将所有节点信息汇总为图的全局表示

近期，《Molecular Psychiatry》发表了一项研究《Deep graph learning of multimodal brain networks defines treatment-predictive signatures in major depression》。该研究团队采用GNN技术，结合双盲安慰剂对照设计的多中心随机临床试验，通过分析多模态脑成像数据，成功预测了抑郁症患者对药物治疗的反应，且预测准确度明显优于传统分析方法。此研究不仅为精神疾病的个体化治疗开辟了新的技术路径，也展示了人工智能在脑科学研究中的广阔应用前景和实用价值。

• 多数据融合：首次将图GNN应用于结合静息态功能磁共振成像（rs-fMRI）和静息态脑电图（rs-EEG）的数据，成功实现了对抗抑郁治疗反应的预测。

• 动态权重调整：采用可学习的连接权重机制，自动识别重要功能连接。

• 跨模态协同：通过相关性优化策略，实现不同模态数据的有效融合。

数据来自美国四个顶尖医疗中心，共纳入265名年龄在18至65岁之间的重度抑郁障碍（MDD）患者，收集其rs-fMRI和rs-EEG数据。患者分为舍曲林组（130例）和安慰剂组（135例）。使用17项汉密尔顿抑郁量表（HAMD-17）作为主要终点指标，分别在基线期以及治疗后的第1、2、3、4、6、8周进行系统评估。治疗效果通过基线至第8周HAMD-17分数的减少量来衡量。

rs-fMRI预处理：采用标准的fMRIPrep流程进行处理，包括头动校正、空间标准化至MNI空间等，并利用ICA-AROMA去除运动伪影，最后进行光空间平滑。

rs-EEG预处理：使用EEGLAB软件的全自动伪迹剔除流程进行离线处理，过程包括降采样、滤波、剔除噪声时段与通道，并通过插值和独立成分分析（ICA）去除各种伪迹。随后，将信号分解为theta、alpha、beta和low-gamma四个频段。最后，利用Brainstorm工具箱和最小范数估计方法，将头皮信号转换为皮层源信号，并将其压缩为一维时间序列，以供后续分析。

rs-fMRI功能连接：基于Schaefer图谱将大脑划分为100个感兴趣区域（ROI），提取每个ROI内体素BOLD信号的平均时间序列。计算每两个ROI时间序列之间的皮尔逊相关系数，构建全脑功能连接矩阵。最后，进行Z-score标准化和Fisher's r-to-z转换，调整连接强度。

rs-EEG功能连接：采用功率包络连接性（PEC）。首先，通过希尔伯特变换得到源信号的解析时间序列，并对信号对进行正交化以消除零相位滞后相关性。平方信号得到功率包络，并通过对数变换提高数据的正态性。然后计算功率包络之间的皮尔逊相关系数，得到PEC。数据经过Schaefer分区提取后，连接值进行Z-score标准化，并应用Fisher's r-to-z变换，以确保与fMRI数据的可比性并增强正态性。

对于rs-fMRI和rs-EEG得到的功能连接，使用并行的图神经网络（GNN）进行编码。在GNN中，引入可学习的边加权矩阵以优化空间模式。然后，通过两个可学习的权重矩阵，将编码后的多模态表示投影到隐变量空间。隐变量之间的相关系数被纳入MSE损失函数，以最大化fMRI和EEG之间的相关性。接着，隐变量被拼接并通过一维卷积进行特征融合，最后输入多层感知机（MLP）进行HAMD评分预测。模型性能通过10折交叉验证评估，使用COBE分解进行数据增强以防止信息泄漏。优化器采用Adam，学习率设置为0.006，批量大小为64，并采用0.5的dropout率来减少过拟合。

注：研究将theta、alpha、beta和low-gamma四个频带的EEG数据与fMRI数据结合，分别训练了四种模型。

将fMRI数据与theta、alpha和beta频带的EEG数据结合，显著提高了预测能力，其中alpha频带表现出较其他频带更高的预测准确性（图a）。经过置换检验，结果显示在两个组中，HAMD-17评分的实际变化与预测变化之间存在显著相关性（舍曲林组：R² = 0.31，Pearson's r = 0.58，p = 5.36 × 10⁻¹³；安慰剂组：R² = 0.28，Pearson's r = 0.56，p = 1.66 × 10⁻¹²）(图b)。

alpha频带与fMRI的多模态模型预测效果优于单模态模型，表明信息整合能够提高治疗效果预测的准确性，并帮助识别更具参考价值的生物标志物，具有重要的实际应用价值。

将大脑划分的100个ROI归为7个功能网络。基于十折交叉验证得到的ROI平均重要性得分，对于每个功能网络，计算该网络中所有ROI的重要性分数的平均值，结果显示：

脑区层面：在舍曲林组，fMRI主要显示在颞下回、枕中、楔叶和扣带皮层，EEG则集中在布罗德曼8区、额下回、楔前叶和后扣带皮层。在安慰剂组，fMRI主要集中在楔前叶和前扣带皮层等，EEG则在辅助运动区、前扣带皮层和顶下回。

网络层面：VAN在fMRI中显著，FPCN在舍曲林组EEG中清晰可见；FPCN在fMRI中显著，DAN在安慰剂组EEG中清晰可见。

注：视觉网络（VN）、躯体运动网络（SMN）、背侧注意网络（DAN）、腹侧注意网络（VAN）、边缘网络（LN）、额顶控制网络（FPCN）和默认模式网络（DMN）

研究比较了多模态（图a）和单模态（图b）模型得到的其前20个最显著、权重最高的ROI，结果表明，多模态和单模态模型在大脑模式上相似，但在某些区域有所不同。

在舍曲林组，多模态模型比fMRI更重视下顶叶和上颞叶，比EEG更重视中央前回和距状裂区域；在安慰剂组，多模态模型比fMRI更关注后岛叶和前中额叶，比EEG更关注中扣带回和枕中区域。

功能网络中前20个最显著的连接：

舍曲林组，fMRI连接组中主要包括额叶中部/眶额上部与额叶下部/颞极之间的负向连接；EEG连接组中主要包括楔前叶/顶叶下部之间的正向连接。

安慰剂组，fMRI组的最强正连接和最强负连接分别在fMRI连接组中额叶下部/枕叶中部与颞叶上部/额叶上部之间；EEG连接组中楔前叶/中央前部与梭状回/辅助运动区之间的连接。

使用训练好的多模态模型导出测试样本的潜在表示，将其作为MLP回归器的输入，之后使用广义可加模型 (GAM)预测临床量表。结果显示，GAM预测的临床量表与实际临床量表之间存在显著相关性。该发现突出了预测特征在临床上岸的实际应用价值。

汇智灵曦推出的训练推理一体化平台，集成了多种经典AI模型，内置AI模型商城，为用户提供高效便捷的训练与推理解决方案。用户只需设置输入输出路径并调整参数，即可快速完成模型训练与推理，无论是科研探索还是实际应用，都能轻松上手。平台具备简洁的界面和操作流程，免去复杂的技术要求，帮助用户节省时间、提高效率，是实现AI技术快速落地的理想选择。