[论文解读] A Deep-Generative Hybrid Model to Integrate Multimodal and Dynamic Connectivity for Predicting Spectrum-Level Deficits in Autism

Niharika Shimona D’Souza, Mary Beth Nebel+5 more|arXiv (Cornell University)|Jul 3, 2020

Advanced Neuroimaging Techniques and Applications参考文献 31被引用 4

一句话总结

该论文提出了一种深度生成混合模型，整合了动态功能磁共振成像（rs-fMRI）连接性与扩散张量成像（DTI）纤维束造影，用于预测自闭症谱系障碍（ASD）的多维临床严重程度。通过使用结构正则化的动态字典学习（sr-DDL）提取解剖学相关的功能网络，并利用LSTM-ANN建模时间动态性以预测严重程度，该框架在交叉验证的多评分预测中实现了最先进性能，具备更强的泛化能力与可解释的神经表征。

ABSTRACT

We propose an integrated deep-generative framework, that jointly models complementary information from resting-state functional MRI (rs-fMRI) connectivity and diffusion tensor imaging (DTI) tractography to extract predictive biomarkers of a disease. The generative part of our framework is a structurally-regularized Dynamic Dictionary Learning (sr-DDL) model that decomposes the dynamic rs-fMRI correlation matrices into a collection of shared basis networks and time varying patient-specific loadings. This matrix factorization is guided by the DTI tractography matrices to learn anatomically informed connectivity profiles. The deep part of our framework is an LSTM-ANN block, which models the temporal evolution of the patient sr-DDL loadings to predict multidimensional clinical severity. Our coupled optimization procedure collectively estimates the basis networks, the patient-specific dynamic loadings, and the neural network weights. We validate our framework on a multi-score prediction task in 57 patients diagnosed with Autism Spectrum Disorder (ASD). Our hybrid model outperforms state-of-the-art baselines in a five-fold cross validated setting and extracts interpretable multimodal neural signatures of brain dysfunction in ASD.

研究动机与目标

• 开发一个统一框架，整合多模态神经影像（rs-fMRI与DTI）及动态连接性，用于预测ASD的连续临床严重程度。
• 解决现有方法仅关注静态连接组或单一模态的局限性，特别是在预测连续行为缺陷方面。
• 将DTI提供的解剖学先验信息融入rs-fMRI的动态分解过程，以提升可解释性与生物学合理性。
• 利用LSTM-ANN建模功能连接模式的时间演化，以增强对多维临床评分的预测能力。

提出的方法

• 该框架采用结构正则化的动态字典学习（sr-DDL）模型，将随时间变化的rs-fMRI相关矩阵分解为共享基网络（B）与患者特异性动态载荷（c^t_n），并由DTI纤维束造影矩阵引导。
• sr-DDL的目标函数在由DTI连接性定义的加权范数下最小化相关矩阵的重建误差，以强制实现解剖学合理性。
• 患者特异性动态载荷（c^t_n）被输入LSTM-ANN模块，用于建模时间趋势并预测M维临床严重程度评分。
• 通过耦合目标函数，采用联合优化程序同时学习基网络（B）、动态载荷（c^t_n）与深度神经网络权重（Θ）。
• A-ANN中引入注意力机制，以识别对预测最具相关性的时段，从而增强可解释性。
• 该框架在57名ASD患者上进行训练与验证，采用五折交叉验证，性能通过中位绝对误差（MAE）与互信息（MI）进行评估。

实验结果

研究问题

• RQ1 混合深度生成模型能否有效整合动态rs-fMRI连接性与结构DTI信息，以预测ASD的连续临床严重程度？
• RQ2 将DTI纤维束造影作为解剖学先验，如何提升rs-fMRI功能网络分解的可解释性与准确性？
• RQ3 与静态模型相比，建模功能连接性的时序动态性在多大程度上能增强对多维ASD症状严重程度的预测能力？
• RQ4 深度网络中学习到的动态载荷与注意力机制能否揭示ASD患者中具有生物学意义的、个体特异性的脑 dysregulation 模式？
• RQ5 联合优化生成模型与深度学习组件，是否能实现比独立或基线模型更优的泛化性能？

主要发现

• 所提出的混合模型在所有临床评分的测试数据上均达到最低的中位绝对误差（MAE）——ADOS为2.84，SRS为17.81，Praxis为13.50，优于所有基线模型。
• 该模型在测试数据上取得最高的互信息（MI）——ADOS为0.34，SRS为0.88，Praxis为0.85，表明与临床严重程度具有更强的预测关系。
• sr-DDL模型成功提取出四个可解释的子网络：一个与默认模式网络（DMN）相关，一个与视觉-感觉运动区域相关，一个与中枢执行与岛叶网络相关，一个与前额叶及皮层下区域相关，后者参与社会情绪调节。
• A-ANN中的注意力机制凸显了不同时间区间（早期扫描 vs. 晚期扫描）作为最具预测性的时段，反映了患者间动态连接模式的异质性。
• 该模型展现出更优的泛化能力，其预测图中测试性能紧密贴合理想对角线，而基线模型在个别评分上出现过拟合。
• 消融研究显示，若移除DTI正则化，测试MAE将上升至3.27（ADOS），MI下降至0.26，证实了解剖学先验在提升鲁棒性与可解释性方面的价值。