面向精神分离症的功能脑生物标志物：利用图神经网络和信息瓶颈
机器学习
2025-10-06 v1 人工智能
摘要
精神障碍诊断模型的开发正受到关注。在最近，基于静息状态功能磁性共振成像(rs-fMRI)的机器学习分类器已开发出来，用于识别区分精神障碍与健康对照的脑生物标志物。然而，传统机器学习诊断模型往往依赖大量特征工程，这通过人为干预引入偏见。虽然深度学习模型预期无需人工介入，但其缺乏可解释性为获取可解释且可靠的脑生物标志物带来了重大挑战，最终限制了其临床适用性。在本研究中，我们引入一种名为 BrainIB++ 的端到端创新图神经网络框架，该框架在模型训练期间应用信息瓶颈(IB)原则，从数据中识别最具信息量的脑区作为子图，以实现解释。我们在三个多队列精神分离症数据集上评估了模型性能。它始终显示出优异的诊断准确性，并对未见数据表现出良好的可推广性。此外，我们模型识别的子图也与精神分离症的既定临床生物标志物相对应，特别强调了视觉、感觉运动和高级认知脑功能网络的异常。这一一致性增强了模型的可解释性，并凸显其对实际诊断应用的相关性。
引用
@article{arxiv.2510.03004,
title = {BrainIB++: Leveraging Graph Neural Networks and Information Bottleneck for Functional Brain Biomarkers in Schizophrenia},
author = {Tianzheng Hu and Qiang Li and Shu Liu and Vince D. Calhoun and Guido van Wingen and Shujian Yu},
journal= {arXiv preprint arXiv:2510.03004},
year = {2025}
}
备注
This manuscript has been accepted by Biomedical Signal Processing and Control and the code is available at https://github.com/TianzhengHU/BrainIB_coding/tree/main/BrainIB_GIB