关键词:
双相情感障碍
抑郁症
脑结构网络
富人俱乐部
图卷积网络
集成学习
摘要:
双相情感障碍患者在疾病早期有严重的被误诊为单相抑郁的风险,误诊会造成严重后果。目前,临床的诊断方式严重依赖医生的主观判断。神经影像学的发展使寻找客观的单双鉴别生物学标记物成为可能,并为分类模型的建立提供数据支持。既往研究在结合弥散张量成像技术与图论方法后,在双相情感障碍患者与健康人之间发现了大量的脑网络拓扑属性差异,但在单相抑郁与双相情感障碍间脑网络信息分化与整合能力的差异,仍需要更多的研究。同时,针对抑郁症患者和双相患者的鉴别,仍缺乏可靠的分类模型。本研究中共纳入62名单相抑郁患者和112名双相情感障碍患者,围绕单双相患者的疾病差异机制,利用脑结构网络,研究两类疾病在网络中的拓扑属性差异,并对两类疾病构建基于图卷积的分类识别与辅助诊断模型,具体内容如下:1、研究双相情感障碍与单相抑郁患者脑结构网络rich club及拓扑属性差异。首先基于弥散张量成像数据构建患者的脑结构网络。之后,分别计算脑网络的rich club以及拓扑属性,并做统计比较。同时,基于先验知识定义本研究中的rich节点与non-rich节点。其中,连接rich节点和non-rich节点的边被定义为feeder连接,连接non-rich节点之间的边被定义为local连接。研究结果表明,双相障碍患者相比单相抑郁患者存在更多的大脑白质纤维束损伤,这些损伤更多地集中在feeder与local连接上,该结论与双相障碍患者网络全局效率显著降低一致。在双相障碍患者的左半脑区发现了feeder与local连接强度的降低,说明在左半脑区的非核心节点连接减弱。双相障碍患者在嗅皮质、后扣带回和颞叶中发现节点簇系数和节点特征向量中心性的显著性降低,说明其在情绪、认知和奖赏相关连接较单相抑郁患者受到的损伤更多。2、针对单双相患者的脑结构网络,构建图卷积池化模型,对单相抑郁与双相障碍患者进行分类。模型一方面避免了传统方法中特征提取导致的信息缺失,另一方面通过节点向量保留节点间的信息传递结果。研究结果表明,图卷积池化模型针对脑结构网络具有非常优秀的分类性能,在单双相患者的分类中达到了85.54%的准确率。模型在第二章的基础上进一步发现单双相患者在左杏仁核与脑岛的差异,说明双相情感障碍患者情绪管理功能的损伤。最后,使用流形降维方法验证模型分类性能。3、为了充分运用人脑的功能整合性,结合集成学习中输入属性扰动和训练样本扰动的集成策略,构建图卷积集成模型。基于rich club属性将脑网络分为五个层次化子网络,并使用集成策略提取层次化子网络与全脑的特征。为提高基学习器的分歧度并平衡训练集数据,采用组合的抽取方式构建每个基学习器的分类样本。研究结果表明,模型针对单双相分类问题达到了87.74%的准确率,并且更加稳定。对基分类器与子网络的研究证实了feeder与local连接在两类疾病间的差异。