【导读】近日，西安交通大学人工智能与机器人研究所借助图信息瓶颈技术，开发了一种精神疾病诊断框架，能够有效提升方法的泛化性和可解释性，有望促进人工智能技术的临床应用。相关研究成果“BrainIB: Interpretable Brain Network-based Psychiatric Diagnosis with Graph Information Bottleneck”发表在IEEE Transactions on Neural Networks and Learning Systems期刊。

1. 1.     引言

精神疾病（如抑郁症和自闭症）是导致全球残疾的主要原因，而精神疾病的诊断仍然是一个具有挑战性的问题。现有的精神疾病临床诊断主要依赖于一系列症状，如情绪、认知症状等。通常情况下，精神疾病患者的诊断是由精神科医生根据《精神障碍诊断与统计手册第5版》（DSM-V）的标准进行的。然而，传统的基于症状的诊断是不够的，并且可能会导致误诊，这是由于临床异质性的存在。因此，基于潜在生物机制而非症状开发有效的诊断工具是一个新兴的共识。

功能性磁共振成像（fMRI）是一种非侵入性的神经影像技术，被广泛应用于研究精神障碍的潜在病理生理机制。静息态fMRI（rs-fMRI）可用于研究和评估不同患者群体的整个脑功能连接（FC）网络的变化。以往的研究表明，基于fMRI的特征是现有基于症状的诊断的可靠补充。

机器学习技术已被广泛研究用于基于fMRI FC测量的精神障碍诊断。早期的方法使用浅层或简单的分类模型，如支持向量机和随机森林，这些模型无法分析脑网络的非线性信息。近年来，深度神经网络因其强大的表示能力而受到关注。

一般来说，脑网络可以看作是复杂的图，其中解剖学上的感兴趣脑区（ROIs）表示为节点，脑ROIs之间的FC表示为边。这促使了将图神经网络（GNNs）应用于精神疾病诊断。到目前为止，GNNs已在自闭症谱系障碍（ASD）和精神分裂症方面取得了有希望的诊断准确性。尽管最近的性能有所提高，但现有的基于机器学习的诊断模型仍然存在以下问题：

1）可解释性：大多数现有的诊断模型无法发现可解释的脑生物标志物（例如，ROIs作为一组节点或边）来阐明潜在的诊断决策并揭示疾病的神经机制。

2）泛化能力：大多数现有的诊断模型是在具有小样本数的同质或单一数据集中训练的。这可能会增加过拟合的概率，并导致部署时的泛化能力差。

信息瓶颈（IB）方法是信息论学习中的一类重要方法，可以解决上述问题。IB原理旨在从原始数据中提取最有助于标签的紧凑表示。通过消除冗余信息，这种方法可以显著提高模型的泛化能力，并提高可解释性。最近，IB的一般思想已经扩展到图神经网络。然而，目前的图IB方法，如子图信息瓶颈（SIB），基于节点选择而不是边选择来识别重要的子图。在精神疾病的诊断中，大脑连接（边）比大脑区域（节点）更重要，有两个原因。首先，大量证据表明，大脑连接在精神障碍的诊断和理解神经机制方面起着关键作用。例如，Insel等人在《科学》杂志上提出，未来的诊断可能会重新定义“精神障碍”为“脑回路障碍”。其次，许多精神障碍诊断研究已经确定了与大脑连接有关的潜在生物标志物。此外，目前的图IB方法仅在小尺度图数据集（包含数十个节点和边）上进行了验证，例如涉及分子的数据集。它们在大尺度图数据集（如涉及数百个节点和数千条边的大脑疾病数据集）的性能和适用性仍然未知。

本文将信息瓶颈原理引入到脑网络分析中，并开发了一种基于图神经网络的可解释脑网络分类框架，能够识别出对决策最有用的子图，并能很好的泛化到未见过的数据。该框架称为脑信息瓶颈（BrainIB），并在三个多中心、大规模数据集上进行了评估，取得了很好的效果。

本文的贡献包括方法论、泛化能力和可解释性方面的新进展：

1）方法论方面：BrainIB相比当前的图IB方法有两项改进。首先，BrainIB使用基于矩阵的Renyi 阶熵函数来衡量互信息值，而不是使用互信息神经估计器（MINE），显著提升了训练的稳定性；其次，BrainIB针对脑网络优化子图生成器，便于发现信息丰富的边。

2）泛化能力方面： BrainIB对比了3个基线模型和7种流行的脑网络分类方法（包括SIB）在ABIDE和REST-meta-MDD数据集上的泛化性能。 ABIDE包含来自17个中心的1099名参与者（528名ASD患者和571名典型发育个体），而REST-meta-MDD包含来自中国17家医院的1604名参与者（848名MDD患者和794名健康对照组）。BrainIB在十折和留一中心交叉验证中都表现出压倒性的性能提升。

3）可解释性方面：本文发现了患有重性抑郁症（MDD）、自闭症谱系障碍（ASD）和精神分裂症的患者的疾病特异性重要脑网络连接/系统。所发现的生物标志物与临床和神经影像学研究结果一致。

1. 2.     模型框架

首先将fMRI原始数据转化为功能图（流程如图1）。静息态fMRI原始数据经过预处理后，按照自动解剖标记（AAL）图谱进行区域划分，形成ROIs。利用这些ROIs之间的皮尔逊相关性计算功能连接矩阵（FC）。基于FC构建大脑功能图G=(A,X)，其中A是表征图结构的邻接矩阵，X是节点特征矩阵。具体来说，A是一个二值化的FC矩阵，其中仅将矩阵中相关性的前20百分位绝对值转换为1，其余部分转换为0。生成的功能图作为BrainIB的输入。

图1 从静息态fMRI原始数据到功能图的流程

BrainIB的整体框架由三个模块组成：子图生成器、图编码器和互信息估计模块（如图2所示）。子图生成器用于从原始图G中采样子图G_sub，图编码器用于从G或G_sub中学习图嵌入，互信息估计模块用于评估G和G_sub之间的互信息。

图2 BrainIB的整体框架

子图生成器模块的流程如图3所示。通过得到最能反映标签信息的边而不是节点来从输入图中生成 IB-子图。这里涉及到边分配，即每条边是否在 IB-子图中。具体来说，给定一个图G，计算边的概率以确定边分配S，这个概率是从节点特征X中得到的。

图3 子图生成器

图编码模块由图重构网络（GIN）编码器和双线性映射二阶池化组成。通过 GIN 编码器从原始的节点特征矩阵X获得节点表示H，进而应用双线性映射二阶池化从中生成向量化的图嵌入。

图信息瓶颈的优化函数包含两个互信息项：

最大化 I(G_sub,Y) 大致等同于最小化交叉熵损失L_CE。本文用图嵌入之间的阶互信息来计算 I(G_sub,G)，避免了使用额外神经网络来计算互信息。

1. 3.     主要结果

使用Renyi alpha阶熵函数来估计 I(G_sub,G)，确保了训练过程稳定，如图4所示。

图4 在 REST-meta-MDD 和 ABIDE 数据集上，SIB、BrainIB 和 VGIB 在 1000 个训练周期中的I(G_sub,G)（MI_loss）训练动态。

在三个数据集（ABIDE、Rest-meta-MDD 和 SRPBS）上实施了十折交叉验证，并使用准确率作为评估指标。表1显示了不同模型在 10 折交叉验证中的平均准确率和标准差。

表1 模型性能评估

从中可以看出，BrainIB 在所有 SOTA 基线模型中都表现出了显著且一致的改进。在 REST-meta-MDD数据集上，BrainIB 相比传统浅层模型（SVM）有近 15.5% 的改进。此外，与其他 SOTA 图神经网络（GNN）模型（如 GIN）相比，BrainIB 实现了超过 5% 的改进。在ABIDE 数据集上，BrainIB 达到了 70.2% 的最高准确率，优于所有 SOTA 浅层和深层基线模型。此外，与BrainGNN相比，BrainIB 在 REST-meta-MDD 数据集上实现了超过 9% 的改进，显示了针对脑网络设计的有效性。

为了评估BrainIB的解释能力，进一步探讨了IB子图在解释重度抑郁症、自闭症谱系障碍和精神分裂症患者神经机制特性方面的能力。BrainIB能够捕捉每个受试者中的重要子图结构。为了比较组间子图的差异，本文计算了平均子图，并选择前50条边生成主导子图。图5展示了健康对照组和患者组在三个数据集上的主导子图的对比，其中节点的颜色表示不同的脑网络，边的大小由其在主导子图中的权重决定。

图5 对比自闭症谱系障碍、重度抑郁症和精神分裂症数据集中健康对照组与患者组的大脑网络解释图连接。

如图所示，MDD患者在默认模式网络（DMN）和边缘网络之间表现出紧密的交互，而健康对照组中的这些连接则稀疏得多。默认模式网络和边缘网络之间的连接是重度抑郁症缓解的预测性生物标志物。情感处理异常和适应不良的沉思是MDD的核心特征。本研究发现，默认模式网络与沉思相关，边缘网络与情感处理相关，这为MDD中的适应不良沉思和负性情感提供了解释。此外，患者在额顶系统内的连接显著少于健康对照组。

对于ASD患者，背侧注意网络内的模式显著多于典型发育对照组（TD），这与最近的一篇综述文献一致。该综述提出，联合注意的发展可能促进了人类社会认知神经系统的发展。此外，本文还观察到患者在皮层下系统内的连接数量减少。

在精神分裂症患者中，DMN内的连接更加紧密交互，而在健康对照组中，这些连接则较为稀疏。这些发现与之前的一项研究一致，该研究发现精神分裂症患者中DMN内的功能连接性增加。此外，DMN被认为是精神分裂症的治疗生物标志物。

综上，本研究提出了BrainIB，一种基于信息瓶颈（IB）的新型图神经网络（GNN）训练框架，用于可解释的精神疾病诊断。首次将IB原理应用于脑网络分析。BrainIB能够有效识别与疾病相关的显著脑网络连接，并且在三个具有挑战性的精神疾病预测数据集上，与基线和最新的方法相比，展示了优越的分布外泛化性能。本研究还通过临床和神经影像的发现验证了所发现生物标记物的合理性。在泛化性和可解释性方面的改进，使人工智能向实用的临床应用迈进了一步。在未来，考虑将BrainIB与多模态数据结合，以进一步提高精神疾病诊断的准确性，并收集额外的数据集作为验证集（n >1000）。

本文作者来自西安交通大学人工智能与机器人研究所，郑凯中博士为第一作者，通讯作者为陈霸东教授和余书剑助理教授。论文发表在IEEE Transactions on Neural Networks and Learning Systems期刊（https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10680255），代码公布在GitHub仓库（https://github.com/SJYuCNEL/brain-and-Information-Bottleneck）。

原文如下：

Zheng, Kaizhong, Shujian Yu, Baojuan Li, Robert Jenssen, and Badong Chen. "Brainib: Interpretable brain network-based psychiatric diagnosis with graph information bottleneck." IEEE Transactions on Neural Networks and Learning Systems (2024).

文章来源：https://mp.weixin.qq.com/s/7ubMqe2HPuxCl86ep09NDg