Liqin Huang，Xiaofang Ye，Mingjing Yang ，Lin Pan，Shao hua Zheng
（College of Physics and Information Engineering，Fuzhou University，Fuzhou，China）
帕金森病(PD，Parkinson’s disease)是一种流行的神经退行性疾病。早期发现 PD并及时进行神经保护治疗可能会减缓疾病进展并降低出现严重临床症状的可能性。近年来，机器学习（ML，Machine Learning）算法在医学诊断中得到广泛应用，并成为分析神经系统疾病的重要工具。
弥散张量成像(DTI，Diffusion tensor imaging)是研究神经系统疾病的重要工具。它是最经典、应用最广泛的磁共振弥散成像（dMRI，Diffusion Magnetic Resonance Imaging）技术，对白质的异常微结构非常敏感。之前的一项调查发现多个白质区域的DTI变化与运动症状的转化之间存在相关性，尤其是多巴胺区域。这表明纵向DTI作为检测PD进展的潜在生物标志物的可行性。来自DTI数据的结构脑网络（SBN，structural brain network）已用于分析神经系统疾病的成像，包括 PD。 探索 PD 和健康对照组之间SBN的差异可以促进对潜在早期病变的理解并改进治疗方法。因此，我们的研究主要集中在基于DTI的SBN的PD分类上。在这里，SBN将大脑网络建模为描述不同离散对象之间的连接或交互（即节点和边）的图。节点是由解剖结构划分的感兴趣区域，边即是它们之间的连接。目前，这种图建模方法已普遍用于神经系统疾病诊断中的脑网络表示。然而，用于PD诊断的脑网络分类存在两个挑战。
挑战一：高维噪声脑网络。
从图像构建的全脑SBN往往具有高维连接和噪声问题。这里的噪声是相对于异常连接而言的。我们的目标是调查PD和健康对照组之间结构连接的差异。就全脑连接而言，PD中正常连接的数量远大于异常连接的数量。由于个体差异，正常连接在PD和健康对照组样本中往往会有所不同。这种普遍的差异可能会淹没异常的连接，给图表示学习带来挑战。高维连接来源于大脑本身复杂的拓扑结构，需要大量的节点来表示。它可能会损害图形的可区分性，从而导致过度拟合问题。
挑战二：有限的模型可解释性。
在很大程度上，临床决策需要证据收集和解释的支持。缺乏证据和解释使得临床医生无法接受ML方法的预测结果，尤其是在疾病诊断方面。此外，可解释性还可以探索数据之间的关系，并提供对相应领域的独特见解。然而，由于现有深度学习方法的复杂预测机制，从中提取有效的临床解释具有挑战性。
为了解决上述问题，文章提出了一种基于多任务节点集群的图结构学习框架，它将图结构学习和多任务表示学习相结合，以提高分类性能并识别潜在的大脑区域。作者将疾病分类定义为图形表示任务。受SBN模块化的启发，采用节点聚类方法进行图结构学习。图结构学习以模块化的方式聚合图表示，便于识别异常网络模式，减少个体差异噪声的影响。
鉴于图神经网络具有内置解释的优势，采用图神经网络作为分类框架的支柱。基于节点的聚类参数，可以通过突出显示非常有利于预测的关键节点来获得相关的临床解释。此外，与大多数仅关注影像数据分析而忽略临床诊断中评分数据的大量存在的图神经网络方法不同，本文以多任务的方式将临床评分添加到图表示学习中。具体来说，我们的框架共同学习了SBN的疾病分类和临床评分的回归。通过这种方式，将临床分数、大脑网络和疾病状态之间的相关性引入到参数训练中，以通过领域知识监督来提高模型的泛化性能。
本文的贡献如下：
1.提出了一种用于早期PD脑网络分类的多任务图表示学习框架。该算法结合了SBN的模块化，以节点聚类的方式聚合来自高维噪声脑网络的有效图嵌入。
2.此外，我们以多任务方式整合临床评分信息，以指导潜在空间下的特征学习。
3.此外，我们通过参数分解提供了重要的大脑区域和相关性分析作为模型可解释性。
资料来源：
根据Liqin Huang等于2023年发表在Computers in Biology and Medicine期刊题目为《MNC-Net: Multi-task graph structure learning based on node clustering for early Parkinson’s disease diagnosis》的文章缩写整理而成。
（本文责任编辑：陈劭）
