类型a：这篇文档报告了一项原创研究。
主要作者和机构以及发表期刊和时间
本研究的主要作者包括Shuyu Liu、Jingjing Zhou、Xuequan Zhu、Ling Zhang、Gang Wang 和 Cheng Jin，他们分别来自上海交通大学医学院生物医学工程学院医疗机器人研究所、首都医科大学北京安定医院国家精神疾病临床研究中心、上海人工智能实验室等机构。该研究发表在《Patterns》期刊上，发表时间为2024年12月13日。
学术背景
这项研究属于精神病学与神经科学领域，旨在解决重度抑郁症（MDD, Major Depressive Disorder）的诊断问题。MDD是一种复杂的疾病，受社会、心理和生物学因素的共同影响，其病理机制尚未完全明确。目前，MDD的诊断主要依赖于主观评估方法，如临床访谈和量表评分，但这些方法存在检测率低、误诊风险高和准确性不足的问题。近年来，随着人工智能（AI）技术的发展，基于神经影像学数据（如功能性磁共振成像[fMRI]和结构性磁共振成像[sMRI]）的AI诊断方法逐渐受到关注。然而，现有方法往往忽视了功能、结构和人口统计学数据之间的复杂交互作用，且缺乏对模型可解释性的深入探讨。因此，开发一种能够整合多模态数据并提供客观量化诊断的方法成为研究的重点。
详细研究流程
本研究设计了一种名为局部到全局多模态融合图神经网络（LGMF-GNN, Local-to-Global Multimodal Fusion Graph Neural Network）的AI系统，用于MDD的客观量化诊断。研究包括以下主要步骤：
数据采集与预处理
研究使用了四个多中心数据集，包括来自中国、日本和俄罗斯的24个机构的2,442名参与者（1,260名MDD患者和1,182名健康对照）。数据模态包括静息态功能磁共振成像（rs-fMRI）、结构性磁共振成像（sMRI）和人口统计学信息（如年龄、性别和教育水平）。rs-fMRI数据通过DPABI工具进行预处理，包括去除前5个时间点、头动校正、空间标准化和时间滤波等步骤。sMRI数据则通过FSL工具进行颅骨剥离和空间配准，并使用VBM（基于体素的形态学分析）提取灰质体积（GMV）和白质体积特征。
特征提取与图初始化
研究基于修订版AAL（Automated Anatomical Labeling）和CC200脑图谱定义感兴趣区域（ROI），并从每个ROI中提取平均BOLD信号序列。这些信号被用作构建功能性图的基础。同时，研究还从sMRI中提取了93个放射组学特征，并将其作为结构性图的节点属性。人口统计学信息则被编码为一维特征向量，用于构建人口统计学图。
模型架构与训练
LGMF-GNN系统由两个子模型组成：局部ROI图神经网络（Local ROI GNN）和全局主体图神经网络（Global Subject GNN）。局部ROI GNN通过图卷积网络（GCN）和注意力机制聚合ROI信息，生成每个个体的功能嵌入。全局Subject GNN则进一步融合功能性、结构性和人口统计学信息，生成最终的分类结果。研究设计了多种实验以优化特征融合策略，包括相关性特征、嵌入特征和拼接特征的组合方式，并评估了是否加入T1模态的影响。
模型验证与性能评估
研究在多个数据集上进行了验证，包括内部交叉验证（10折交叉验证和留一法交叉验证）和外部独立测试。此外，研究还通过对比实验评估了LGMF-GNN与其他先进方法（如BrainGNN、EV-GCN等）的性能差异。
主要结果
1. 诊断性能
在SRPBS数据集上，LGMF-GNN实现了78.85% ± 5.50%的分类准确率和80.64% ± 5.74%的ROC曲线下面积（AUROC）。在更为复杂的REST-meta-MDD数据集上，模型的表现略有下降，但仍达到了71.34% ± 1.50%的准确率和73.67% ± 2.67%的AUROC。在MDD亚型分类任务中，模型对首次发作未用药（FEDN）和复发性（RECU）MDD患者的分类准确率分别为75.13%和74.05%，表明模型具有较强的鲁棒性。
跨站点泛化能力
研究发现，站点效应（Site Effects）对模型性能有显著负面影响。为此，研究采用了Combat方法进行数据协调，并设计了对抗训练和域迁移损失函数来抑制站点效应。尽管如此，模型在陌生站点上的表现仍略低于单站点场景，但总体性能仍然良好。
可解释性与潜在生物标志物
研究通过模型解释发现了多个潜在的数字生物标志物，包括左额下回与右小脑VIIb叶之间的功能连接减弱，以及左中央旁回与右海马之间的功能连接增强。这些发现为理解MDD的病理机制提供了新的视角。
结论与意义
本研究开发了一种基于LGMF-GNN的AI系统，能够通过整合功能性、结构性和人口统计学数据实现MDD的客观量化诊断。该系统不仅在多中心数据集上表现出色，还揭示了MDD患者大脑功能连接和结构变化的异常模式。研究的意义在于：一方面，它为MDD的临床诊断提供了更客观和精确的工具；另一方面，它通过发现潜在的数字生物标志物，为探索MDD的病理机制提供了新线索。
研究亮点
1. 提出了局部到全局的多模态融合图神经网络架构，能够综合个体脑区和群体数据的信息。 2. 首次将功能性、结构性和人口统计学数据整合到一个统一的框架中，显著提高了MDD诊断的准确性。 3. 发现了多个潜在的数字生物标志物，为MDD的病理机制研究提供了新方向。 4. 在多中心场景下实现了优越的诊断性能，证明了系统的泛化能力。
其他有价值内容
研究还探讨了模型在不平衡数据集上的表现，并提出了未来改进的方向，包括开发更高效的数据协调方法和优化结构模态特征的提取方法。此外，研究团队正在与中国多家医疗机构合作，进一步扩大数据规模，以推动AI辅助MDD诊断和治疗的深入发展。