機器學習方法在fMRI數據中的應用研究

黃慶坤 賀政剛 楊鵬

摘要：文章通過機器學習方法對功能性核磁共振成像（fMRI）數據進行分類研究．旨在探討精神分裂患者的差異性腦網絡結構。在特征選擇上，采用了復雜網絡分析來度量腦網絡的拓撲屬性，并且以年齡為協變量通過雙樣本￡檢驗構建顯著差異性特征集；在分類算法上，采用粒子群優化支持向量機分類算法，在10折交叉驗證下進行建模分析。結果表明精神分裂患者（SCH）組和正常被試（NC）組在全局屬性和節點屬性上存在顯著差異，在分類模型下能夠得到最佳準確率93％。

關鍵詞：機器學習；功能性核磁共振成像；統計分析；復雜網絡

中圖法分類號：TPI83 文獻標識碼：A

１ 引言

人在處理事件或完成某項任務時，大腦需要依賴各個功能腦區的相互協作，盡管在休息時，大腦仍需要消耗大量的能量來進行信息處理。從各個功能腦區相互作用所形成的復雜腦網絡這一角度研究大腦，能進一步闡述腦內信息加工機制，對相關腦疾病診斷具有較大的理論價值。近年來，ＦＭＲＩ 技術已廣泛應用于腦功能網絡的研究，Ｒｕｂｉｎｏｖ 等［１］ 通過復雜網絡分析來量化大腦網絡拓撲結構；Ｗａｎｇ 等［２］ 通過靜息態ｆＭＲＩ 數據研究腦功能網絡拓撲指標并對ＴＲＴ 參數進行評估；Ｏｎｉａｓ 等［３］ 概述了復雜網絡的統計參數并對癲癇患者的腦網絡結構進行度量；王靜等［４］ 對抑郁癥患者大腦的復雜網絡研究進行綜述等。在先前的研究中［５］ ，研究了大腦感興趣區域（ＲＯＩ）的功能連接（ＦＣ），將其作為特征向量，通過ＰＣＡ 算法構建特征集并進行分類實驗，其本質上屬于種子點分析法，僅通過建模分類來說明在精神分裂患者中存在差異性腦區或腦網絡機制，但未深入研究大腦網絡結構的拓撲屬性以及各個節點之間存在的差異性。對此，本文首先通過復雜網絡統計量描述來度量ＳＣＨ 組與ＮＣ 組的腦網絡結構；其次將年齡作為協變量，通過統計檢驗方法討論精神分裂患者的差異性腦網絡結構并構建特征集；最后使用粒子群優化ＳＶＭ 分類模型進行建模論證，通過機器學習方法進一步解釋精神分裂患者的潛在患病機理。

２ 相關理論

２．１ 復雜網絡的統計描述

在大腦中，將以ＲＯＩ 為節點所構成的復雜網絡中根據全局指標（Ｇｌｏｂａｌ）和節點指標（Ｎｏｄｅ）作為網絡度量方法［６］ 。全局指標根據整個網絡結構對相關統計進行描述， 具體包括： 聚類系數（ Ｃｌｕｓｔｅｒｉｎｇｃｏｅｆｆｉｃｉｅｎｔ）、最短路徑長度（Ｓｈｏｒｔｅｓｔ ｐａｔｈ ｌｅｎｇｔｈ）、小世界屬性（Ｓｍａｌｌ ｗｏｒｌｄ）、全局效率（Ｇｌｏｂａｌ ｅｆｆｉｃｉｅｎｃｙ）、同配性（Ａｓｓｏｒｔａｔｉｖｉｔｙ）、同步性（Ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ）、層次（Ｈｉｅｒａｒｃｈｙ）系數［７］ 。節點指標根據節點信息進行計算，具體包括：節點聚類系數、節點最短路徑長度、節點效率（ Ｎｏｄａｌ ｅｆｆｉｃｉｅｎｃｙ ）、度中心性（ ＤｅｇｒｅｅＣｅｎｔｒａｌｉｔｙ）、介數中心性（Ｂｅｔｗｅｅｎｎｅｓｓ Ｃｅｎｔｒａｌｉｔｙ）。

２．２ 粒子群算法優化分類

３ 實驗

３．１ 實驗平臺

實驗基于Ｍａｔｌａｂ 平臺Ｒ２０２１ａ 版本和Ｐｙｃｈａｒｍ 平臺２０２１．２ 版本。Ｍａｔｌａｂ 中主要使用的工具箱為ｇｒｅｔｎａｖ２． ０ 版本［８］ 。Ｐｙｃｈａｒｍ 中主要使用Ａｎａｃｏｎｄａ３，ｎｉｌｅａｒｎ０．８．１ 版本，ｓｋｌｅａｒｎ０．２４．２ 版本以及數據處理庫和繪圖庫等。

３．２ 實驗數據

實驗數據來源于生物醫學研究卓越中心提供的精神分裂癥數據集，實驗選擇７４ 名ＮＣ 和７２ 名ＳＣＨ的ｒｓ?ｆＭＲＩ（ｆｍｒｉ＿ＸＸＸＸＸＸＸ．ｎｉｉ．ｇｚ）和被試采集記錄構建樣本數據。通過校正、標準化、平滑、去線性趨勢、回歸協變量、濾波等程序對ｆＭＲＩ 數據進行標準預處理。

３．３ 實驗流程

實驗通過Ｐｙｔｈｏｎ 編程語言進行代碼簡寫，如圖１所示。（１） 劃分樣本數據。通過ｃｏｂｒｅ 數據集中ｐｈｅｎｏｔｙｐｉｃ＿ｄａｔａ．ｔｓｖ 文件將ｆＭＲＩ 數據分為ＮＣ 組（７４名正常被試ＮＣ．ｎｉｉ）和ＳＣＨ 組（７２ 名精神分裂患者ＳＣＨ．ｎｉｉ）２ 類，并構造類別標簽集（ＮＣ．ｌａｂｅｌ 和ＳＣＨ．ｌａｂｅｌ）。（２） 全局和節點網絡分析。實驗使用解剖學自動標記圖譜ＡＬＬ?９０，通過ｇｒｅｔｎａ 計算相關全局與節點指標，具體見２．１ 節，其中使用Ｎｅｔｗｏｒｋ Ｓｐａｒｓｉｔｙ 閾值法（閾值被定義為實際連邊數與最大可能性連邊數的比率）進行篩選，并且與隨機網絡進行對比，以確定非隨機拓撲結構，稀疏閾值設置為［０．０５， ０．１， ０．１５，０．２， ０．２５， ０．３， ０．３５， ０．４， ０．４５， ０．５］。（３）統計檢驗構建特征集。將年齡作為協變量，通過雙樣本ｔ 檢驗對比ＮＣ 組和ＳＣＨ 組的差異性指標（ｐ＜０．０５，ＦＤＲ 矯正）并構建特征集（ＮＣ．ｔｒａｉｎ 和ＳＣＨ．ｔｒａｉｎ）。（４）建立ＳＶＭ 模型。通過ＰＳＯ 優化算法在１０ 折交叉驗證下對特征集和標簽集進行二分類實驗。

４ 實驗結果

４．１ 全局指標

通過曲下面積（ＡＵＣ）分析發現：聚類系數（Ｃｐ）有顯著差異ｐ ＝ ０．０３８，ｔ ＝ ２．０９，ＮＣ 組大于ＳＣＨ 組；最短路徑長度（Ｌｐ）有顯著差異ｐ ＝０．００３，ｔ ＝３．０１，ＮＣ 組大于ＳＣＨ 組；小世界指數（σ 有）顯著差異ｐ ＝０．０１，ｔ ＝－２．５８，ＮＣ 組小于ＳＣＨ 組；全局效率（Ｅｇ）有顯著差異ｐ ＝０．０３７，ｔ ＝ －２．１，ＮＣ 組小于ＳＣＨ 組；層級系數（ａｂ）有顯著差異ｐ ＝０．０１７，ｔ ＝－２．４２，ＮＣ 組小于ＳＣＨ 組，如圖２ 所示；局部效率（Ｅｌｏｃ）、同配性（ａｒ）、同步性（ａｓ）沒有顯著差異（Ｐ＞０．０５）。

４．２ 節點指標

節點聚類系數（ＮＣｐ）有顯著差異的節點為５７（左側中央后回）。提?。担?節點的值進行雙樣本ｔ 檢驗：節點５７ 的ｔ ＝３．７５，ＮＣ 組大于ＳＣＨ 組，如圖３ 所示。

節點效率（ＮＥ）有顯著差異的節點為４（右側背外側額上回）、７４（右側豆狀殼核）、７７（左側丘腦）、７８（右側丘腦）。提取４ 個節點的值進行雙樣本ｔ 檢驗：節點４ 的ｔ ＝－３．４２，ＮＣ 組小于ＳＣＨ 組；節點７４ 的ｔ ＝－３．４６，ＮＣ 組小于ＳＣＨ 組；節點７７ 的ｔ ＝－４．２３，ＮＣ 組小于ＳＣＨ 組；節點７８ 的ｔ ＝－４．１２，ＮＣ 組小于ＳＣＨ 組，如圖４ 所示。

節點度中心性（ＮＤｃ）有顯著差異的腦區為６９（左側中央旁小葉）、７４（右側豆狀殼核）、７７（左側丘腦）、７８（右側丘腦）。提取４ 個腦區的值進行雙樣本ｔ 檢驗：節點６９ 的ｔ ＝３．２８，ＮＣ 組大于ＳＣＨ 組；節點７４ 的ｔ＝－３．４６，ＮＣ 組小于ＳＣＨ 組；節點７７ 的ｔ ＝ －４．１８，ＮＣ組小于ＳＣＨ 組；節點７８ 的ｔ ＝ －３．５８，ＮＣ 組小于ＳＣＨ組，如圖５ 所示。

節點局部效率（ＮＬｅ）沒有顯著差異；節點介數中心性（ＮＢｃ）沒有顯著差異；節點最短路徑長度（ＮＬｐ）沒有顯著差異。

４．３ 分類結果

通過顯著差異的全局指標和節點指標構建特征集，如圖６ 所示。實驗對比高斯核函數和線性核函數，在ｋ ＝１０ 的交叉驗證下（ＫＦｌｏｄ），ｒｂｆ ＳＶＭ 分類準確率平均為７６％ （Ｃ ＝ １３０． ５５４ ９，ｇａｍ ＝ ０． ００１），ｌｉｎｅａｒＳＶＭ 分類準確率平均為７５．１％ （Ｃ ＝ １３０．５５４ ９）。其中，當Ｋ ＝１ 時，ｌｉｎｅａｒ ＳＶＭ 分類準確率最高為９３．３％，當Ｋ ＝１０ 時，ｌｉｎｅａｒ ＳＭＶ 和ｒｂｆ ＳＶＭ 對于特征集的訓練效果普遍較差，這是由于ＫＦｏｌｄ 交叉驗證劃分訓練樣本不均所導致的。實驗同時對比全局指標和節點指標，其中節點指標平均準確率均高于全局指標平均準確率，同時低于特征集平均準確率，如圖７ 所示。

５ 討論

本文在特征選擇上屬于種子點分析法，區別于傳統ＦＣ 分析和ＰＣＡ 降維等方法在特征上選擇具有顯著差異性全局屬性和節點屬性。通過雙樣本ｔ 檢驗發現，患者腦網絡中聚類系數和最短路徑長度低于正常被試，在節點中央后回（ＰｏＣＧ．Ｌ）的節點聚類系數存在顯著差異（Ｐ＜０．００１），吳偉斌等［９］ 解釋了該結果的生理學原理。全局效率患者高于正常被試，在節點背外側額上回（ＳＦＧｄｏｒ．Ｒ）、豆狀殼核（ＰＵＴ． Ｒ）、丘腦（ＴＨＡ）的節點效率存在顯著差異（Ｐ＜０．００１），說明精神分裂患者腦網絡的集團化程度和信息傳輸速率存在差異，特別是各種感覺的傳導通路均在ＴＨＡ 內更換神經元后投射到大腦皮層，解釋了精神分裂患者存在幻想癥、思維混亂、極度激動等行為，由于小世界屬性參數受到隨機網絡的聚類系數與最短路徑影響，因此出現小世界屬性ＳＣＨ 組大于ＮＣ 組的現象。在實驗中為了減少個體性差異對實驗的影響，在進行雙樣本ｔ 檢驗時，均以年齡為協變量對比兩組被試的全局指標和節點指標，考慮到性別所帶來的影響，實驗對比僅發現男性患者（５８ 人）和女性患者（１４ 人）在節點度中心性的上距狀裂周圍皮層（ＣＡＬ．Ｒ）腦區存在顯著差異（ｐ ＝０．０００２，ｔ ＝３．９２，ＦＤＲ 矯正），具有較強的特征解釋性。在分類方法上屬于機器學習中的監督學習，實驗通過ＳＶＭ 算法解決ｆＭＲＩ 數據小樣本問題，通過核函數解決了ｆＭＲＩ 數據高維度特性問題，相較于之前的實驗結果，最優分類準確率９３％也進一步證實從復雜網絡研究角度構建特征來進一步區別患者與正常被試的可能性，為計算機輔助診斷提供了參考。實驗中仍有未充分考慮的其他干擾因素導致樣本泛化能力有待提高，如ＫＦｌｏｄ 交叉驗證中正負樣本均等劃分以及大腦結構成像中掃描的灰質、白質和腦脊液的形態結構以及被試的性別、慣用手等因素，因此對于部分劃分的樣本訓練效果較差。下一步工作可結合多模態ＭＲＩ 分析，提取不同特征值和嘗試不同算法［１０］ ，以盡量減少由于個體差異性以及多變的生理學因素所帶來的干擾。

參考文獻：

［１］ ＲＵＢＩＮＯＶ Ｍ，ＳＰＯＲＮＳ Ｏ．Ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ ｍｅａｓｕｒｅｓ ｏｆ ｂｒａｉｎｃｏｎｎｅｃｔｉｖｉｔｙ： ｕｓｅｓ ａｎｄ ｉｎｔｅｒｐｒｅｔａｔｉｏｎｓ．［Ｊ］．Ｎｅｕｒｏｉｍａｇｅ，２０１０，５２（３）：１０５９?１０６９．

［２］ ＷＡＮＧ Ｊ Ｈ，ＺＵＯ Ｘ Ｎ，ＳＵＲＩＬ Ｇ，ｅｔ ａｌ． Ｇｒａｐｈ ｔｈｅｏｒｅｔｉｃａｌａｎａｌｙｓｉｓ ｏｆ ｆｕｎｃｔｉｏｎａｌ ｂｒａｉｎ ｎｅｔｗｏｒｋｓ：ｔｅｓｔ－ｒｅｔｅｓｔ ｅｖａｌｕａｔｉｏｎ ｏｎｓｈｏｒｔ－ ａｎｄ ｌｏｎｇ － ｔｅｒｍ ｒｅｓｔｉｎｇ － ｓｔａｔｅ ｆｕｎｃｔｉｏｎａｌ ＭＲＩ ｄａｔａ［Ｊ］．ＰｌｏＳ ｏｎｅ，２０１１，６（７）：２１９７６．

［３］ ＯＮＩＡＳ Ｈ， ＶＩＯＬ Ａ， ＰＡＬＨＡＮＯ?ＦＯＮＴＥＳ Ｆ， ｅｔ ａｌ． Ｂｒａｉｎｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ ｂｙ ｍｅａｎｓ ｏｆ ｒｅｓｔｉｎｇ ｓｔａｔｅ ｆＭＲＩ ａｎｄｇｒａｐｈ ａｎａｌｙｓｉｓ： Ｗｉｌｌ ｉｔ ｂｅ ｈｅｌｐｆｕｌ ｉｎ ｃｌｉｎｉｃａｌ ｅｐｉｌｅｐｓｙ？［Ｊ］．ＥＰＩＬＥＰＳＹ ＡＮＤ ＢＥＨＡＶＩＯＲ，２０１４，３８（１）：７１?８０．

［４］ 王靜，孔令茵，雷炳業，等．抑郁癥的腦復雜網絡研究進展［Ｊ］．中國醫學物理學雜志，２０２０，３７（６）：６．

［５］ 黃慶坤，楊鵬．基于神經網絡的精神分裂ｆＭＲＩ 數據分類［Ｊ］．電子技術與軟件工程，２０２０（３）：２．

［６］ ＳＩＬＶＡ Ｔ Ｃ，ＺＨＡＯ Ｌ．Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｉｎ Ｃｏｍｐｌｅｘ Ｎｅｔｗｏｒｋｓ［Ｍ］．Ｓｐｒｉｎｇｅｒ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｐｕｂｌｉｓｈｉｎｇ，２０１６．

［７］ ＥＲＺＳéＢＥＴ Ｒａ， ＬáＳＺＬó Ｂ Ａ． Ｈｉｅｒａｒｃｈｉｃａｌ ｏｒｇａｎｉｚａｔｉｏｎ ｉｎｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ ［ Ｊ］． Ｐｈｙｓｉｃａｌ Ｒｅｖｉｅｗ Ｅ， ２００３， ６７ （ ２）：０２６１１２．

［８］ ＷＡＮＧ Ｊ， ＷＡＮＧ Ｘ， ＸＩＡ Ｍ， ｅｔ ａｌ． ＧＲＥＴＮＡ： ａ ｇｒａｐｈｔｈｅｏｒｅｔｉｃａｌ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ ｔｏｏｌｂｏｘ ｆｏｒ ｉｍａｇｉｎｇ ｃｏｎｎｅｃｔｏｍｉｃｓ［Ｊ］．Ｆｒｏｎｔｉｅｒｓ ｉｎ Ｈｕｍａｎ Ｎｅｕｒｏｓｃｉｅｎｃｅ，２０１５，９（３８６）：３８６．

［９］ 吳偉斌，傅禮洪，上官文博，等．青少年精神分裂癥ＢＯＬＤ?ｆＭＲＩ 特征與認知功能的關系［Ｊ］．中國ＣＴ 和ＭＲＩ 雜志，２０２２，２０（６）：４?７．

［１０］ ＡＨＭＡＤ Ｆ，ＡＨＭＡＤ Ｉ，ＧＵＥＲＲＥＲＯ?Ｓ?ＮＣＨＥＺ Ｙ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆ ｓｃｈｉｚｏｐｈｒｅｎｉａ?ａｓｓｏｃｉａｔｅｄ ｂｒａｉｎ ｒｅｇｉｏｎｓ ｉｎ ｒｅｓｔｉｎｇ?ｓｔａｔｅ ｆＭＲＩ［Ｊ］．Ｔｈｅ Ｅｕｒｏｐｅａｎ Ｐｈｙｓｉｃａｌ Ｊｏｕｒｎａｌ Ｐｌｕｓ，２０２３，１３８（１）：５８．

作者簡介：黃慶坤（１９９４—），碩士，助教，研究方向：計算機技術。

賀政剛（１９９４—），碩士，助教，研究方向：應用數學。

楊鵬（１９９５—），本科，助教，研究方向：臨床醫學。