HBM︱兰州大学郑炜豪团队提出基于频率的双注意力对抗网络用于血氧水平依赖时序预测

学术 2024-10-10 00:00 上海

【神经科学前沿技术培训系列】详见文末

撰文︱郑炜豪，穆仁会

责编︱王思珍

功能磁共振成像（functional Magnetic Resonance Imaging，fMRI）能够通过测量血氧水平依赖性（Blood Oxygen Level-Dependent，BOLD）信号的自发波动来记录大脑活动，广泛应用于绘制整个大脑的功能激活和组织图谱。现有fMRI数据存在的一个主要问题是，临床扫描的持续时间往往受到患者条件的限制，例如患有精神疾病的患者、孕妇、婴幼儿等无法忍受长时间的扫描。此外，临床资源的限制，如预算和人力资源的不足也是一大难题。以上限制可能会给数据分析带来问题，包括信噪比较低、功能连通性的测试与再测可靠性较差等，从而限制了脑疾病诊断性能较弱等问题。然而，延长扫描时间可能会给参与者带来额外负担，并增加头部移动的风险。由于目前存在大量对于脑疾病计算机辅助诊断研究不可或缺的短时扫描fMRI数据，探究如何在不需要二次扫描的情况下，通过有效方法延长现有数据的时间序列，成为了一项挑战。

近期，兰州大学信息科学与工程学院郑炜豪教授团队在Human Brain Mapping期刊上发表了题为“Frequency-specific dual-attention based adversarial network for blood oxygen level-dependent time series prediction”的论文，提出了一种端到端的基于频率的双注意力对抗网络（Frequency-specific Dual-attention based Adversarial Network ，FDAA-Net），用于对BOLD信号的时序进行预测。该网络通过变分模态分解技术，捕捉fMRI信号中不同频率成分的变化，并利用生成对抗网络结合空间-时间注意力机制，成功延长了fMRI的时间序列，从而提升了脑部疾病的诊断性能。研究结果表明，该方法应用于自闭症谱系障碍（Autism Spectrum Disorder，ASD）和抑郁症（Major Depressive Disorder，MDD）患者的短时fMRI数据时，诊断性能分别提升了8%和11.3%。

由于医疗数据的时间序列通常具有高维性和随机性，给预测任务带来了很大的挑战。为了解决这个问题，研究人员提出了由生成器和鉴别器组成的对抗网络，并采用对抗训练策略。在这个模型中，生成器生成尽可能接近真实序列的伪序列，并训练鉴别器以增强模型对真实序列和生成序列的区分能力（如图1）。通过对抗训练，模型能够有效提取历史时间序列的全局特征，捕捉其分布和形状信息，从而减少预测任务中的潜在偏差。这种对抗策略使模型能够学习到传统预测模型难以捕获的BOLD信号中的复杂模式和特征。

图1 时序预测模型架构

研究人员使用人类连接组计划（Human Connectome Project，HCP）提供的公开数据集评估了FDAA-Net模型的时序预测性能，并与多个基准模型（Autoformer、TPA-LSTM、LSTM、RNN、Prophet和ARIMA）进行了对比。结果显示（如表1），FDAA-Net在默认模式网络（Default Mode Network，DMN）信号的IMF 1和IMF 2频段中均表现最优，显著优于其他对比模型。由于Autoformer和TPA-LSTM模型未能结合时空特征、也未考虑信号的振荡方向和形状，性能未超过FDAA-Net，表现次优。值得注意的是，深度学习模型（如TPA-LSTM、LSTM和RNN）在各项指标上均优于传统的机器学习模型（如Prophet和ARIMA），表明深度学习模型在捕捉复杂的fMRI信号特征方面具有明显优势。在不同频段中的实验结果也进一步证明，FDAA-Net模型能够很好地适应不同波动特性的fMRI信号。然而，由于IMF 2频段的频率较高且波动性更强，其预测性能略低于IMF 1频段。总的来说，FDAA-Net通过有效结合空间和时间特征，展现了卓越的fMRI信号时序预测能力，适用于处理非平稳性和强波动特征的fMRI数据。

表1 DMN信号不同IMF频段预测性能对比

接下来，研究人员进一步分析了功能连接（Functional Connectivity，FC）与组内相关系数（Intraclass Correlation Coefficient ，ICC）的关系，以评估模型的可靠性。图2展示了FC边缘强度与ICC之间的关系散点图（图2左），以及不同FC强度与ICC值的边缘数量分布图（图2右）。研究结果显示，大部分ICC值集中在0.6至0.8之间，表明这些功能连接具有较高的重测可靠性。此外，右图进一步验证了大多数边缘的ICC值均位于0.6至0.8之间，表明这些边缘在功能连接预测中具有较好的稳定性和重复性。

图2 功能连接与可靠性分析

为了评估FDAA-Net模型在临床诊断中的应用潜力，研究人员使用DMN区域延长大约40%的时间序列，输入分类模型以评估对ASD和MDD患者的诊断能力。结果显示，延长时间序列后，MDD的诊断准确率通过AdaBoost分类器达到66.1%，ASD的诊断准确率通过Catch22分类器达到64.9%。延长后的时间序列使分类器的诊断准确率分别提升了8.0%（MDD）和11.3%（ASD），表明FDAA-Net模型在提高基于fMRI数据的疾病诊断性能方面具有显著优势和临床应用潜力。

表2 MDD和ASD患者的分类模型诊断性能对比

文章结论与讨论，启发与展望

研究人员提出的FDAA-Net模型为短时fMRI数据的时序预测提供了新的解决方案，成功延长了fMRI时间序列，提升了脑部疾病的诊断效果。未来，FDAA-Net有望在更多精神类疾病诊断中得到应用，尤其是在扫描时间有限的情况下，这一技术具有广泛的临床应用潜力。

原文链接：https://doi.org/10.1002/hbm.70032

兰州大学信息科学与工程学院的姚志军教授和胡斌教授为该论文的通讯作者，郑炜豪教授为第一作者。实验室其他成员在课题开展中做出了重要贡献。

转载须知：“逻辑神经科学”特邀稿件，且作者授权发布；本内容著作权归作者和“逻辑神经科学”共同所有；欢迎个人转发分享，未经授权禁止转载，违者必究。

【神经科学前沿技术培训系列】

【光遗传学与遗传编码钙探针和神经递质探针工作原理及应用】和【在体成像技术在神经科学研究的基础与应用】（第八期）。时间 2024年10月26-28日（周六至周一）；地点南京。

【脑片膜片钳记录系统的操作和应用】（第六期）。时间 2024年12月6-8日；地点南通。

【神经科学前沿技术整合：当在体电生理邂逅光遗传】（第一期），时间 2024年11月9-11日（周六至周一）；地点南京。

【全国前沿组织透明化与三维成像理论和技能培训班】（第二期），时间待定；地点武汉。

【疾病研究与动物行为学系列】

【阿尔兹海默症最新研究进展和热点与动物行为学实验设计思路和数据分析】（第一期）。时间 2024年10月27日（星期天），地点线上。

“理论知识，操作技能，科研思维”

报名方式：15108204441（电话），Wang_Sizhen（微信）

（点击标题阅读全文）

“逻辑神经科学”微信群：文献学习

扫码添加微信，并备注：逻辑-文献-姓名-单位-研究领域-学位/职称

（注：不按要求格式备注，则不通过好友申请）

编辑︱王思珍

本文完

http://mp.weixin.qq.com/s?__biz=Mzg2MTYwODc5Ng==&mid=2247690150&idx=5&sn=41c0b7582ea1b59ae5cc041816027b63