基于多站点静息态功能磁共振数据的图注意力网络在重度抑郁症分类中的应用与机制解析

来自全球的研究人员针对重度抑郁症(MDD)诊断难题，开发了一种创新性框架：通过Node2Vec从功能连接(FC)网络中提取脑区嵌入特征，结合图注意力网络(GAT)的多头注意力机制筛选关键连接，最终采用集成分类器实现MDD精准识别。该模型在REST-meta-MDD和SRPBS-MDD数据集上分别达到78.73%和92.94%的准确率，并发现默认模式网络(DMN)与额顶网络(FPN)的功能连接最具鉴别力，为临床诊断提供了可解释的神经影像标记物。

　　

重度抑郁症(Major Depressive Disorder, MDD)作为全球健康的重要威胁，不仅损害个体功能更带来沉重社会经济负担。科学家们构建了一个三阶段创新框架：首先利用Node2Vec算法从静息态功能磁共振(rs-fMRI)数据生成的功能连接(Functional Connectivity, FC)网络中，提取蕴含复杂拓扑信息的低维脑区嵌入特征；随后通过配备多头注意力机制的图注意力网络(Graph Attention Network, GAT)，动态加权不同脑区功能连接的重要性，生成高鉴别力的图表征；最终采用随机森林、支持向量机(SVM)和多层感知机(MLP)组成的集成分类器实现精准诊断。

该模型在两大权威数据集上表现亮眼：REST-meta-MDD准确率达78.73%，SRPBS-MDD更达到92.94%。特别值得注意的是，注意力机制揭示默认模式网络(Default Mode Network, DMN)和额顶网络(Frontoparietal Network, FPN)的功能连接模式在区分患者与健康人群时最具鉴别力。这种图神经网络(Graph Neural Network, GNN)新范式不仅突破了传统方法的性能瓶颈，其可解释性优势更让临床医生能直观追踪关键神经环路异常——就像为大脑连接图谱装上了"探照灯"，照亮了MDD背后隐藏的神经网络失调机制。