一种基于消除混合因素的对抗学习框架用于多站点 fMRI 精神疾病识别
机器学习
2026-04-17 v1 人工智能
摘要
在功能磁共振成像（fMRI）开放数据集中，数据异质性通常归因于扫描程序差异、混合效应的存在以及来自多个站点的人口差异。这些因素导致表示学习效果下降，从而影响后续分类程序的整体效果。为此，我们提出一种新型多站点对抗学习网络（MSalNET）用于 fMRI 基于精神疾病的检测。首先，引入一种节点信息装配（Node Information Assembly, NIA）机制，以更好地从功能连接（functional connectivity, FC）中提取特征。该机制有效地从水平和垂直两个方向聚合边信息，从而组装节点信息。其次，为实现跨站点的特征泛化，我们提出一个站点级特征提取模块，可从单个 FC 数据中学习，规避了额外的先验信息。最后，提出一种对抗学习网络作为在单个分类和站点回归任务之间进行权衡的手段，引入一种新型损失函数。我们在两个多站点 fMRI 数据集上评估了所提方法，即自闭综合征大脑影像数据交换平台（Autism Brain Imaging Data Exchange, ABIDE）和 ADHD-200。结果表明，所提方法在 ABIDE 和 ADHD-200 数据集上分别 achieves 75.56% 和 68.92% 的准确率，优于其他相关算法。此外，站点回归结果表明，所提方法从数据驱动的角度降低了站点间变异性。由 NIA 揭示的最具辨识力的脑区与统计发现相一致，一定程度上揭开了深度学习的“黑盒”。
引用
@article{arxiv.2504.09179,
title = {A Confounding Factors-Inhibition Adversarial Learning Framework for Multi-site fMRI Mental Disorder Identification},
author = {Xin Wen and Shijie Guo and Wenbo Ning and Rui Cao and Yan Niu and Bin Wan and Peng Wei and Xiaobo Liu and Jie Xiang},
journal= {arXiv preprint arXiv:2504.09179},
year = {2026}
}