脑网络不再共用一张分区图：IC-GNN按个体社区组织预测自闭症、阿尔茨海默病与抑郁
核心概要
IC-GNN把同一套脑图谱区域在每个人身上重新聚成离散的多尺度功能社区，再用这些社区指导图神经网络的连边筛选和区域权重分配。此前常用的群体级图谱会抹平个体间社区边界差异，而体素级个体化分区又需要较长扫描且难以跨人比较。在ABIDE、ADNI和UK Biobank合计超过3万名参与者上，IC-GNN与15种基线方法比较取得最高的平均AUROC和准确率，其中ABIDE的AUROC为75.41%、ADNI为86.46%、UK Biobank为60.62%。
深度剖析
疾病预测模型开始把每个人自己的脑区归组方式当作显式结构，而不是沿用所有人共享的分区。 常用的群体级脑图谱提供跨人可比的统一参考，但会掩盖个体在社区边界和成员归属上的差异；体素级个体化分区虽能刻画这种差异，却往往需要大量扫描数据，且分区定义不同使跨受试者比较变复杂。 在ABIDE（自闭症）、ADNI（阿尔茨海默病）和UK Biobank（抑郁）三个数据集上，IC-GNN的平均AUROC和准确率均高于所比较的15种方法，包括SVM、随机森林、GCN、GAT、GIN、GraphSAGE以及BrainNetCNN、BrainGNN、Com-BrainTF、CAGT等脑网络模型。
个体社区由数据自己决定数量和组成，再被用来筛选连边并调整每个脑区的预测权重。 亲和传播（affinity propagation）是一种不需要预先指定簇数的聚类方法，这里在每一层把脑区按功能连接剖面的相似度聚成离散社区，并逐层合并成三级层次。 在ABIDE上，去掉社区层次、把个体社区换成随机或共识分区、以及去掉学习到的连边筛选，都会使性能下降；其中个体社区优于共识层次和规模匹配的随机层次。
这些个体社区在扫描内部和跨扫描会话中可重复，并单独携带诊断信息。 在ABIDE中把时间序列对半切分后重建社区，同一位参与者的两半社区在97.2%的情况下互为最相似匹配，随机社区对照为3.8%；ADNI中两次扫描相隔中位数14个月，自身会话匹配率为71.9%，随机对照为6.3%。 仅用基于Yeo-17参考系统构造的社区归属剖面，逻辑回归在留出测试参与者上取得ABIDE的AUROC 0.707和ADNI的0.725；在协变量模型基础上加入该剖面，AUROC分别提高0.079和0.041。
启示与展望
评估覆盖ABIDE的自闭症、ADNI的阿尔茨海默病和UK Biobank的抑郁三类二分类任务，全部扫描按同一套419个区域分区，包括400个Schaefer皮层区和19个非皮层区。ABIDE与ADNI采用按采集站点分组的五折交叉验证，UK Biobank固定4,289人的留出测试集。读者应把它看作静息态功能连接上的疾病分类与社区分析结果，而不是临床诊断工具。
UK Biobank上的AUROC为60.62%，明显低于ABIDE和ADNI，作者未给出解释。抑郁标签来自参与者自报的终生专业诊断。ADNI中618名轻度认知障碍参与者未进入分类，只用于社区分析。作者指出体素级个体化分区对fMRI数据质量敏感，而本文策略是在图谱区域粒度上规避这一取舍。