本网讯（通讯员 刘亮亮）神经精神障碍疾病（NDs）是许多大脑神经疾病的总称，其核心症状是认知功能障碍。近十年来，大量临床研究证明ND患者的大脑结构变化与认知功能障碍之间存在一定关系。然而目前关于该疾病预测的算法通常使用浅层模型来融合结构核磁影像（sMRI）和功能核磁影像（fMRI）模态之间的简单关系，而忽略了大脑结构和功能区域之间的复杂相互作用。
信息与管理科学学院生物医学影像研究团队在NDs分类预测方面取得重要进展，该研究通过研究大脑结构影像和功能影像的关系，提出了一种基于大脑区域结构影像和功能影像的融合的增强型多模态图卷积网络（MME-GCN）（如图1所示），用于对神经障碍患者和健康对照组的二元分类预测。该研究首先基于相同脑图谱分别采用sMRI和fMRI构建大脑结构图网络和功能图网络。然后使用机器学习算法从结构图中提取重要特征，并使用提取的特征来增强功能图网络中相应边缘的权重。最后，采用提出的多层图卷积神经网络实现NDs的分类任务。该网络在神经精神相关的公开数据集上实现了93.71%的分类准确率，达到了先进水平。
图1 MME-GCN的结构图
该研究对NDs疾病进行了深入的分析。通过可视化实验分析发现，该研究提出的基于多模态的增强方案增加了重要脑区之间的网络权重。另外，该研究发现精神疾病对大脑区域的影响可能会引起左右脑半球的功能连接的不对称问题（图2）。这意味着NDs不仅涉及更多的大脑区域和不同半球之间的连接，而且对整个大脑功能连接的影响比对半球内部区域的功能连接的影响更大。这些发现对这类疾病的研究提供了新思路，也为精准治疗提供了技术支持。
图2 大脑内部脑区间的连接
该成果以题为“An enhanced multi-modal brain graph network for classifying neuropsychiatric disorders”的研究论文发表在医学图像顶级期刊《Medical Image Analysis》。我校拔尖人才刘亮亮老师为第一作者和通讯作者。美国Tulane University的Yu-ping Wang教授给与了专业指导。
论文连接：https://doi.org/10.1016/j.media.2022.102550
编辑/谢东明 签审/张利军 审核/周红飞
