Rättelse: Diskriminerande analys av schizofrenipatienter med hjälp av graffalsningsnätverk: En kombinerad multimodal MRI och connectomics analys (2023)

RÄTTELSE artikel

• ¹Institutionen för biomedicinsk teknik, School of Biomedical Sciences and Engineering, South China University of Technology, Guangzhou International Campus, Kina
• ²Institutionen för biomedicinsk teknik, School of Biomedical Sciences and Engineering, South China University of Technology, Guangzhou International Campus, Kina
• ³Department of Emotional Disorders, The Affiliated Brain Hospital vid Guangzhou Medical University, Kina
• ⁴Guangdong Engineering Technology Research Centre for Translational Medicine of Mental Disorders, Kina
• ⁵School of Material Science and Engineering, South China University of Technology, Kina
• ⁶5National Engineering Research Centre for Tissue Restoration and Reconstruction, South China University of Technology, Kina
• ⁷Guangdongprovinsens nyckellaboratorium för biomedicinsk teknik, South China University of Technology, Kina
• ⁸Radiologiavdelningen, China-Japan Friendship Hospital, Kina
• ⁹Institutionen för biomedicinsk teknik, New Jersey Institute of Technology, USA
• ¹⁰Department of Psychosomatic, The Affiliated Brain Hospital vid Guangzhou Medical University, Kina
• ¹¹Institutionen för psykiatri, The Affiliated Brain Hospital vid Guangzhou Medical University, Kina
• ¹²Institutionen för nuklearmedicin och radiologi, South China University of Technology, Kina

1. Introduktion
Schizofreni (SZ), en allvarlig och handikappande psykiatrisk sjukdom med syn- och hörselhallucinationer tillsammans med oorganiserat tal och tankar som de vanligaste symtomen, har varit ett centralt fokus för neuroimaging forskning i decennier (Rossler et al., 2005; Tost och Meyer-Lindenberg , 2012). Diagnosen av SZ-patienter enbart baserad på klinisk observation kan sakna objektivitet och noggrannhet på grund av de heterogena och komplexa kliniska egenskaperna (Tost och Meyer□Lindenberg, 2012). Magnetisk resonanstomografi (MRT), som en spännande
icke-invasivt verktyg för att studera hjärnan, hjälper till att modellera hjärnan funktionell
och strukturella sjukdomsmekanismer hos SZ (van den Heuvel och Fornito,
2014; Kong et al., 2021). Viktigt, framsteg inom nätverksvetenskap och
grafteorin har förbättrat vår förmåga att studera det topologiska
organisation mellan hjärnregioner. Hjärnanslutning kan
mätas för att generera hjärnans "connectomics" (Farras-Permanyer
et al., 2015), som har använts för att kvantitativt analysera regionala
och den mänskliga hjärnans globala nätverkstopologi (van den Heuvel och
Fortnite, 2014; Jiang et al., 2020; Jo et al., 2020). Avvikelser i hjärnan
struktur, funktion och anslutning har rapporterats allmänt i SZ
patienter som använder multimodal MRI och connectomics med strukturell
magnetisk resonanstomografi (sMRI) och vilotillstånd funktionell
magnetisk resonanstomografi (rs-fMRI) data. När det gäller strukturella
hjärnavvikelser, SZ-patienter har utbredd kortikal gallring, en
mindre kortikal yta, reducerad grå substansvolym (GMV), och
minskad vit substansvolym (WMV), med de största effekterna observerade
i frontal- och temporallobsregioner (van Erp et al., 2018; Wu et al.,
2018; Keshavan et al., 2020). Funktionella hjärnavvikelser ingår
signifikant ökad regional homogenitet (ReHo) i striatum,
den högra parahippocampus gyrus, och den högra mitten av temporal gyrus
(Wu et al., 2018; Li et al., 2020), signifikant ökad amplitud av
lågfrekvent fluktuation (ALFF) i höger fusiform gyrus och den
vänster överlägsen temporal gyrus (Wu et al., 2018; Li et al., 2020) och
signifikant minskad grad centralitet (DC) i höger
supramarginal gyrus, den högra tvärgående temporal gyrus och den
bilateral putamen (Chen et al., 2015; Jo et al., 2020). Den mänskliga hjärnan
är ett starkt sammankopplat nätverk, och bevis för strukturella och
funktionella abnormiteter hos SZ-patienter har utvecklats till en
dysconnectivity hypotes (Friston och Frith, 1995). Mer direkt
bevis för dysconnectivity-hypotesen kommer huvudsakligen från
multimodala MRI-studier, som har visat utbredda strukturella och
funktionell dysconnectivity i hjärnnätverk i SZ (van den Heuvel
och Fornito, 2014; Northoff och Duncan, 2016; Rolls et al., 2020).
Under de senaste decennierna har klassificeringsstudier av SZ-patienter
använt maskininlärningstekniker som möjliggör statistiska slutsatser
på den enskilda patientens nivå (Arbabshirani et al., 2017). Djup
inlärning (Hatcher och Yu, 2018; Le et al., 2020), som ett underområde av maskin
lärande, kan skapa en helautomatisk diagnostisk process utan expert
klinisk intervention (Qureshi et al., 2019) på grund av dess kraftfulla
funktionsrepresentation. Men de flesta maskininlärning
metoder som använts i tidigare studier baserades vanligtvis på
oberoende neuroimaging-funktioner eller anslutningsegenskaper istället för
själva connectomet (Lei et al., 2022). För närvarande är graferna mest
vanlig representation av hjärnnätverk inom neuropsykiatri
störningsdiagnos. Användningen av grafer ger ett alternativt tillvägagångssätt
för att fånga topologisk information inom hjärnnätverk. Nätverk
inbäddning (Grover och Leskovec, 2016; Jiang et al., 2020) är
används för att omvandla noderna i ett nätverk till en lägre dimensionell
representation med nätverksstrukturinformationen. Graf
convolutional networks (GCNs), föreslagna av Kipf och Welling (2017),
var en grafinbäddningsmodell som effektivt kombinerade nodfunktioner
med strukturinformation under inlärningsprocessen. Lee et al. (2019)
föreslog en GCN-modell med en grafpoolningsmetod för självuppmärksamhet
som uppnådde överlägsen grafklassificeringsprestanda. Lei et al.
(2022) använde GCN för att undersöka topologiska avvikelser hos funktionella
hjärnnätverk i SZ och uppnådde en högre klassificeringsnoggrannhet
(85,8 %) jämfört med stödvektormaskin (SVM) (80,9 %). Åh
et al. (2022) utvecklade BrainNet-Global Covariance Pooling□Attention Convolutional Neural Network (BrainNet-GA CNN), som
visade en noggrannhet på 83,13%. Förutom att använda MR-data för
diagnos av SZ-patienter, vissa studier använde elektroencefalografi
(EEG) data. Jämfört med MRT-data har EEG-data en jämförelsevis kostnad
och god tidsupplösning, och därför är det möjligt för studier
använde stora datamängder (Alves et al., 2022). Alves et al. (2022) byggd kortikal
nätverk som ingången till ett avstämt konvolutionellt neuralt nätverk (CNN)
för SZ-diagnos, och klassificeringsprestandan var signifikant
bättre än att använda nätverksmått för att beskriva nätverksstrukturen.
Chang et al. (2021) tillämpade GCN på missmatch negativity (MMN) hjärna
funktionella nätverk som bygger på EEG-data och uppnådde en noggrannhet
på 93,33 %, vilket avsevärt överträffade den utbildade SVM-klassificeraren
om grafteoretiska drag.
I vår tidigare forskning föreslog vi en integrerad analys av
funktionell MRI och connectomics som beaktade egenskaper hos
hjärnregioner av intresse (ROI) och den funktionella anslutningen mellan
ROIs (Chen et al., 2023). Specifikt fick vi en genomsnittlig noggrannhet
på 92,7 % baserat på GCN-metoden, som överträffade metoderna
som fokuserade på funktionerna i enstaka ROI:er och de metoder som endast baseras
om anslutningsanalys. Och GCN-metoden presterade bättre än
den traditionella maskininlärningsmetoden (SVM, RF: random skog, LR: logistisk regression, LDA: linjär diskriminantanalys och KNN: K-närmaste granne) och den traditionella djupinlärningsmetoden (MLP: multi-layered perceptron och CNN). Resultaten visade att att ta hänsyn till topologiska samband mellan ROI i en kombinerad funktionell MRI och connectomics-analys effektivt kan förbättra klassificeringsprestandan för SZ-patienter. Jämfört med enkelmodala MR-dataanalyser med den föreslagna metoden kan multimodala MR-analyser erbjuda bättre diagnos och förutsägelse i SZ. Därför skulle vi i denna studie vilja undersöka multimodala MR-data baserat på den föreslagna integrerade analysmetoden, i syfte att ytterligare förbättra klassificeringsprestandan för SZ-patienter. Dessutom kan olika hjärnfördelningssystem ha en inverkan på klassificeringens prestanda. För att verifiera robustheten hos den föreslagna metoden skulle vi vilja undersöka effekten av olika hjärnatlaser baserat på den föreslagna metoden.
I denna studie tillämpade vi en GCN-metod för klassificeringen av SZ
patienter med en kombinerad multimodal MRT och connectomics analys.
Dessutom undersökte vi effekterna av 2 hjärnatlaser för att verifiera
robustheten hos den föreslagna metoden. Vidare motiverat av behovet
för förklaringen (Li X. et al., 2021) innehöll GCN-ramverket nod□selektionspoolningslager, som framhäver framträdande hjärnregioner (framträdande
noder i grafen) för att sluta sig till de viktiga hjärnregionerna för förutsägelse.

Nyckelord:Schizofreni, Graph Convolutional Network, Diskriminativ analys, Human brain connectomics, multimodal MRI

Mottagen:24 maj 2023;Accepterad:25 maj 2023.

Upphovsrätt:© 2023 Chen, Ke, Huang, Zhou, Li, Peng, Huang, Liang, Ma, Li, Ning, Wu och Wu. Detta är en artikel med öppen tillgång som distribueras under villkoren iCreative Commons Attribution License (CC BY). Användning, distribution eller reproduktion i andra forum är tillåten, förutsatt att originalförfattaren/licensgivaren krediteras och att den ursprungliga publikationen i denna tidskrift citeras, i enlighet med accepterad akademisk praxis. Ingen användning, distribution eller reproduktion är tillåten som inte följer dessa villkor.

* Korrespondens:Dr. Kai Wu, South China University of Technology, Institutionen för nuklearmedicin och radiologi, Guangzhou, Kina