基于节点聚类的多任务图结构学习框架（MNC-Net）在早期帕金森病诊断中的应用研究

作者及机构
本研究的通讯作者为Fuzhou University（福州大学）的Mingjing Yang（邮箱：yangmj5@fzu.edu.cn），合作作者包括Liqin Huang、Xiaofang Ye、Lin Pan和Shao Hua Zheng，均来自福州大学物理与信息工程学院。研究成果发表于期刊《Computers in Biology and Medicine》2023年第152卷，文章编号106308，于2022年11月24日在线发布。

学术背景
帕金森病（Parkinson’s Disease, PD）是一种常见的神经退行性疾病，早期诊断对患者治疗和预后至关重要。传统诊断依赖运动症状，但非运动症状（如抑郁、嗅觉减退）常早于运动症状出现，导致早期PD漏诊。结构脑网络（Structural Brain Networks, SBNs）基于扩散张量成像（Diffusion Tensor Imaging, DTI）构建，可反映白质微结构异常，但高维噪声和模型可解释性不足是当前研究的核心挑战。本研究提出MNC-Net框架，通过节点聚类和图结构学习挖掘SBNs中的异常模式，结合临床评分提升早期PD分类性能，并提供可解释的脑区标记。

研究流程与方法
1. 数据预处理与脑网络建模
- 数据集：使用帕金森病进展标志物计划（PPMI）公开数据集，包含97名健康对照（HC）和97名早期PD患者（PPD）。
- 图像处理：通过PANDA工具箱对DTI和T1加权像进行预处理，包括颅骨剥离、涡流校正、张量拟合，并将FA（Fractional Anisotropy）配准至MNI空间。
- 网络构建：采用AAL模板将大脑划分为90个感兴趣区（ROIs），通过确定性纤维追踪算法构建90×90的SBNs，节点为ROIs，边为纤维连接数。

1. 图结构学习与多任务框架

   • 图表示编码：将脑网络建模为图𝐺 = {𝑉, 𝐴, 𝑋}，其中𝐴为邻接矩阵，𝑋为节点特征。通过图编码器融合拓扑与属性信息，生成初始图嵌入𝐺(0)。
     
   • 节点聚类层：基于SBNs的模块化特性，设计无监督𝐾聚类模块，通过t分布计算节点聚类概率𝑄𝑖𝑗，生成多头注意力矩阵，聚合异常连接模式。
     
   • 多任务学习：联合优化分类任务（PD vs. HC）和回归任务（预测临床评分，如MOCA、MDS-UPDRS），通过KL散度和RMSE损失函数动态调整参数。
     

2. 实验设计与验证

   • 对比方法：与传统机器学习（SVM、RF）、深度学习方法（GCN、SAG、HGP）对比，采用10折交叉验证评估准确率（ACC）、F1值等指标。
     
   • 超参数优化：通过网格搜索确定聚类中心数𝐾=10和回归损失权重𝜆2=2.0。
     
   • 可解释性分析：提取聚类层中得分最高的10个ROIs，结合临床评分统计验证其显著性（𝑝<0.05）。
     

主要结果
1. 分类性能：MNC-Net在PPMI数据集上达到95.5%的准确率，显著优于传统方法（SVM: 68.6%）和图神经网络基线（GCN: 78.3%）。t-SNE可视化显示，MNC-Net学习的特征具有更高的类内紧凑性和类间区分度。
2. 关键脑区识别：显著异常的ROIs包括海马体（记忆与情绪调控）、辅助运动区（SMA，震颤相关）、中央前回皮层（自主运动控制），与PD病理机制一致。例如，海马体损伤与早期认知障碍相关，SMA活动降低与多巴胺缺乏导致的运动症状相关。
3. 临床评分关联：回归任务验证了ROIs功能与临床评分的相关性（如MDS-UPDRS3评分与运动功能ROIs显著相关），增强了模型的可信度。

结论与价值
1. 科学价值：首次将节点聚类与图结构学习结合用于PD诊断，证实了SBNs模块化特性在异常模式挖掘中的有效性。
2. 应用价值：为非侵入性早期PD诊断提供了高精度工具，临床评分与脑网络特征的联合分析为个性化治疗提供了新思路。
3. 方法论创新：提出的多任务框架和可解释性设计（如聚类参数权重分析）可扩展至其他神经退行性疾病研究。

研究亮点
1. 创新方法：基于社区聚类的图结构学习显著降低了高维噪声影响，优于传统池化方法（如SAG）。
2. 跨模态整合：首次将临床评分作为隐式监督信号引入脑网络分析，提升了模型泛化能力。
3. 可解释性突破：通过聚类参数分解提取的ROIs与已知PD病理区域高度吻合，为临床决策提供了生物学依据。

其他价值
研究开源了代码（Gitee平台），并讨论了DTI多指标（如FA、MA）融合的潜在方向，为后续研究提供了技术基础。局限性在于未涵盖多模态数据（如fMRI），未来可构建异构图网络进一步优化性能。