受神经电路启发的层次化图因果注意力网络用于可解释的抑郁诊断
机器学习
2025-11-25 v1 人工智能
摘要
重度抑郁综合征（MDD）影响全球数百万人，表现为脑网络动态受扰乱的复杂病理生理学。尽管利用神经影像数据的人工神经网络在抑郁诊断方面显示出前景，但现有方法主要是数据驱动的，作为黑盒模型，缺乏神经生物学可解释性。本文提出NH-GCAT（Neurocircuitry-Inspired Hierarchical Graph Causal Attention Networks），一种新型框架，通过在不同空间尺度上显式地、层次化地建模抑郁特异机制，将神经科学领域知识与深度学习相结合。我们的ethods引入了三个关键技术贡献：（1）在局部脑区域层面，我们设计了残差门控融合模块，将时间血氧水平依赖（BOLD）动态与功能连接模式相整合，专为捕捉局部抑郁相关低频神经振荡而设计；（2）在多区域电路层面，我们提出了层次化电路编码方案，依据既定的抑郁神经电路组织对区域节点表示进行聚合；（3）在多电路网络层面，我们发展了变分潜在因果注意力机制，利用连续概率潜在空间推断关键电路之间的有向信息流，刻画疾病改变的全脑电路间相互作用。对REST-meta-MDD数据集进行严格的留一站交叉验证表明，NH-GCAT在抑郁分类任务中实现了领先的性能，加权平均准确率达73.3%，AUROC为76.4%，同时提供了神经生物学有意义的解释。
引用
@article{arxiv.2511.17622,
title = {Neurocircuitry-Inspired Hierarchical Graph Causal Attention Networks for Explainable Depression Identification},
author = {Weidao Chen and Yuxiao Yang and Yueming Wang},
journal= {arXiv preprint arXiv:2511.17622},
year = {2025}
}
备注
Under review for ICLR 2026