基于机器学习的脑络析：方法及应用

方法及应用些脑疾病的诊断都具有非常重要的作用。作为脑网络分析的重要工具，机器学习由于能够从数据中学习规律并对未知数据进行预测，已成为近年来脑网络分析领域一个新的研究热点。本文综述了近年来基于机器学习技术在脑网络分析中的典型研究方法和应用，其中研究方法主要从网络的构建、特征学习和分类预测；特征学习；核方法TP献标识码：MachineLearningBasedBrainNetworkAnalysis:MethodandlicationZhangDaoqiang1*,JieBiao1,2DepartmentofComputerScienceandEngineering,NanjingUniversityofAeronauticsandAstronautics,Nanjing210016,China;SchoolofMathematicsandComputerScience,AnhuiNormalUniversity,Wuhu,241003,China)Abstract:Brainnetworkistostudytheinteractionofbrainfunctionalregionsasawholesystem,whichplaysaveryimportantrolefortheunderstandingofbrainfunctionandstructure,aswellasthediagnosisofsomebraindiseases.Asanimportanttooltoanalyzebrainnetworks,machinelearninghasbecomeanewfocusofresearchsinceitcanobtaintherulesviaautomaticallyanalyzingdataandapplytheserulestopredicttheunknowndata.Thispaperreviewstheconcepts,methodsandapplicationsofbrainnetworkanalysis,andmainlydiscussessomerelatedworksbasedonmachinelearningtechniquesfromthefollowingthreeaspects,i.e.,constructionofbrannetwork,featurelearningandclassificationandprediction.Finally,weconcludethispaperandindicatesomenewdirectionsforfutureresearch.教育部博士点基金(20123218110009)，南京航空航天大学基本科研业务费(NE2013105)，安徽省自然科学基金(1508085MF125)，模式识别国家重点实验室开放课题(201407361)。Keywordsbrainnetworkanalysis;machinelearning;featurelearning;kernelmethod1.引言保护大脑、开发大脑潜能等方面做出重要贡献，同时也有助于加深对阿尔茨海默病 impairment，MCI)、帕金森氏症(Parkinson'sdisease，PD)等脑疾病的理解，找到一系列大量医学和生物方面的研究成果表明人的认知过程通常依赖于不同神经元和脑区间的子发射断层扫描(PositronEmissionTomography，PET)等提供了一种非侵入式的方式来有效模式[4]。交互[5,6]，脑网络分析已成为近年来脑影像研究中的一个热点。目前，脑网络分析研究主要包括：1)探索大脑区域之间结构性和功能性连接关系[7]，2)分析一些脑疾病所呈现的非正常连接，从而寻找可能对疾病敏感的一些生物标记[5,8,9]。由于增加了具有生物学意义测量。感兴趣区域(region-of-interest，ROI)，而边对应着它们之间的连接模式。根据边的构造方式，可以把脑网络分为以下两种[5]：1)结构性连接网络，指不同神经元之间医学结构上的间功能关联模式，其可以通过测量来自于功能性磁共振成像(functionalMRI，fMRI)或脑电／脑磁(EEG/MEG)数据的神经电生理活动时序信号而获得[5,12]。如果构建的连接网络脑网络分析提供了一个新的途径来探索脑功能障碍与脑疾病相关的潜在结构性破坏之间的关联[5,8,9]。已有研究证据表明，许多神经和精神疾病能被描述为一些异常的连接，表现为大脑区域之间连接中断或异常整合[4,6,12]。例如：AD病人功能性连接网络的小世界特性发生了变化，反映出系统的完整性已被破坏[13]。同时，AD和MCI病人的海马与其它脑它脑区的连接也已改变[14]。差异性测试，如小世界网络[10,13]、默认模式网络[15,16]和海马网络[17]等；2)基于机器学习方18]。些研究者已经研究了AD/MCI的大脑网络，并在各种网络中发现了一些非正常连接，包括默认模式网络[15,16]以及其它静息态网络[19,20]。另外，研究者也分析和发现了精神分裂症中一些非正常的功能性连接[21]。然而，这一类研究主要的限制是一般只寻找支持某种驱动假自动完成对个体的分类[19,22]。I它脑疾病研究，如：精神分裂症[27]、儿童自闭症[28]、网络成瘾[29]和抑郁症[30]等。由于能够2.方法网络构建，即构建结构性或功能性脑网络；2)特征学习，即从构建的脑网络中学习各种特建建，基于偏序相关性的方法和稀疏化的方法等[4-6,31]。图1脑网络分析(分类)的典型框架kanalysisclassification但基于相关性的脑网络一般是全连接网络，其中包含法来估计AD、MCI和正常对照组(normalcontrols，NC)的大脑连接性。这种方法能够有接网络，但这种方法对参数非常敏感[34]。度的稀疏性能够从一些带来噪声的连接中获得鲁棒性连接[20,C到目前为止，大部分工作在构建网络时仅考虑脑区之间的简单成对关系，即二阶关系。互关系，Jie等人[37]最近提出了一种超网络，一些潜在的与疾病相关的连接[37]。习54543311227766。其中，上边是结构性网络的构建过程，下边是功能性网络的构建流使用某种跟踪(如：在大脑区域间流线(streamline)的个数)，从而把大脑区域的连接表示为一个矩阵(见⑤)。该矩阵可以看成权重网络直接进行分析，也可以对其进行阀值化(见⑦)后进行分析。为了建立功能性连接，首先要获取不同体素或区域的大脑活动的时间序列(见②)，根据这些序列利用聚合测量来计算这些序列的相关性，从而大脑网络被表示为一个相关矩阵(见④)，该矩阵也可以被看成一个权重网或阀值化后形成为连接网(见⑥)。Fig.2Workflowforbrainnetworkconstruction.的网络局部测量(如聚类系数、节点的度及分布、边的权重及分布和最短路径等)作为特征。。2.1单模态特征学习tionRFELASSOWee层的特征选择方法(t-test和RFE)用于MCI的分类，取得了很好的结果。Chen等人[24]构构建一种分层的解剖大脑网络，并提取聚类系数作为特征，然后执行一种分层特征选择方MCI病人和正常人的能力。然而，已有的这些方法在特征学习的过程中，并没有充分考虑Jie9]最近提出一种基于拓扑结构的结构化特征选择方法，通过引入图核计算脑实验结果表明，Jie等人的方法不仅能显著提高学习算法的泛化能力和分类性能，而且对检脑区和功能性连接表现了一定的潜力[39]。2.2多模态特征学习采用病人的多种模态数据(如MRI和PET等)。另一方面，在机器学习领域，多任务和多发现的信息，从而帮助更好分类和理解疾病病理。一些传统特征选择方法(如t-test，RFE联合地从多模态数据中寻找与疾病相关的特征。Zhang和Chen等人[42]提出了多模态多任务的多任务特征选择方法，并把其推广到半监督情况。与已有的特征学习方法不同的是，Jie用了模态数据的分布信息，从而获得了更好的分类性能[44]。2.3图上的特征学习测分类和预测是脑网络分析(分类)中最后一个步骤。许多机器学习和模式识别中分类方核等已经被用于脑疾病分类[9,25,28,44]，并且考虑到多个核之间的互补性，多核学习 到基于向量构建的核，并没有考虑网络的拓扑结构特性，Jie[51]等人最近将图核(graphkernel)用于脑网络分析中。Tablethetypicalmethodsofbrainnetworkanalysisandtheirclassificationaccuracy(病人/正常人)DMCI5/20Fisher别分析-C-means聚类%Zhous5]Zengs0]9%Wees3]%Wees8]tikernelJiestikernel中，如Mokhtari等人利用图核来区分人是处于注意还是休息状态[51]。Jie等人[39]将anMCI刻画脑网络的这些特性。因此，Jie等人[50]探讨一种面向脑网络的新型图核，用于测量一对3.应用CI大都获得非常好的分类精度和AUC值(ROC曲线下面的面积)，表明了这些方法能够应用的发现，如：发现一些可能与疾病相关的一些脑区(包括海马，杏仁核，颞极等)以及一些重要的连接，而这些脑区和一些连接已经被广泛地认为可能与AD/MCI非常相关[12,34,37]。病理。TablethebrainnetworkbasedmethodsforMCIclassificationandtheirclassificationperformanceangs---ees--eesJies[27]--Jies[37]总结与展望脑网络分析提供了一个新的工具，以探索脑功能障碍与脑疾病相关的潜在结构性破坏应何充分利用领域知识以及模态数据自身特点和互补信息，并结合高级的机器学习技术(如：多模态、多视图或多任务学习技术等)，提高对脑疾病的诊断水平，加深对脑疾病病理的理衡(即一类样本数量远远大于另外一类)。如何从小样本和不平衡的数据中获取有意义并具《GlobalScience》:TenScienceNews[J].SiliconValley,2014,1:1-2.[2]Brookmeyer,R.,E.Johnson,K.Ziegler-Graham,etal.,ForecastingtheglobalburdenofAlzheimer'sdisease[J].AlzheimersDement,2007,3(3):186-91.[3]Sporns,O.,Contributionsandchallengesfornetworkmodelsincognitiveneuroscience[J].NatNeurosci2014,17(5):652-60.[4]Xie,T.andY.He,MappingtheAlzheimer'sbrainwithconnectomics.FrontPsychiatry,2011,2:[5]Kaiser,M.,Atutorialinconnectomeanalysis:TopologicalandspatialfeaturesofbrainnetworksJNeuroimage,2011,57(3):892-907.[6]Bullmore,E.andO.Sporns,Complexbrainnetworks:graphtheoreticalanalysisofstructuralandfunctionalsystems[J].NatureReviewsNeuroscience,2009,10(3):186-198.[7]Zhou,C.S.,L.Zemanova,G.Zamora,etal.,Hierarchicalorganizationunveiledbyfunctionalconnectivityincomplexbrainnetworks[J].PhysicalReviewLetters,2006,97(23).[8]Sporns,O.,G.Tononi,andR.Kotter,Thehumanconnectome:Astructuraldescriptionofthehumanbrain[J].PLoSComputBiol,2005,1(4):e42.[9]Wee,C.Y.,P.T.Yap,W.Li,etal.,EnrichedwhitematterconnectivitynetworksforaccurateidentificationofMCIpatients.Neuroimage,2011,54(3):1812-22.[10]He,Y.,Z.Chen,G.Gong,etal.,NeuronalnetworksinAlzheimer'sdisease[J].Neuroscientist,2009,15(4):333-50.[11]Rubinov,M.andO.Sporns,Complexnetworkmeasuresofbrainconnectivity:Usesandinterpretations[J].Neuroimage,2010,52(3):1059-1069.[12]Wang,J.,X.Zuo,Z.Dai,etal.,DisruptedfunctionalbrainconnectomeinindividualsatriskforAlzheimer'sdisease[J].BiolPsychiatry,2013,73(5):472-81.[13]Sanz-Arigita,E.J.,M.M.Schoonheim,J.S.Damoiseaux,etal.,Lossof'Small-World'NetworksinAlzheimer'sDisease:GraphAnalysisoffMRIResting-StateFunctionalConnectivity[J].PlosOne,2010,5(11):e13788.[14]Stern,Y.,CognitivereserveandAlzheimerdisease.AlzheimerDisAssocDisord[J],2006,20(3):-117.[15]Greicius,M.D.,G.Srivastava,A.L.Reiss,etal.,Default-modenetworkactivitydistinguishesAlzheimer'sdiseasefromhealthyaging:evidencefromfunctionalMRI[J].ProcNatlAcadSciUSA,2004,101(13):4637-42.[16]Petrella,J.R.,F.C.Sheldon,S.E.Prince,etal.,Defaultmodenetworkconnectivityinstablevsprogressivemildcognitiveimpairment[J].Neurology,2011,76(6):511-517.[17]Bai,F.,Z.Zhang,D.R.Watson,etal.,Abnormalfunctionalconnectivityofhippocampusduringepisodicmemoryretrievalprocessingnetworkinamnesticmildcognitiveimpairment[J].BiolPsychiatry2009,65(11):951-8.[18]Ye,J.P.,T.Wu,J.Li,etal.,MachineLearningApproachesfortheNeuroimagingStudyofAlzheimer'sDisease[J].Computer,2011,44(4):99-101.[19]Wang,K.,M.Liang,L.Wang,etal.,AlteredfunctionalconnectivityinearlyAlzheimer'sdisease:aresting-statefMRIstudy[J].HumBrainMapp,2007,28(10):967-78.[20]Supekar,K.,V.Menon,D.Rubin,etal.,NetworkanalysisofintrinsicfunctionalbrainconnectivityinAlzheimer'sdisease[J].PLoSComputBiol,2008,4(6):e1000100.[21]Lynall,M.E.,D.S.Bassett,R.Kerwin,etal.,FunctionalConnectivityandBrainNetworksinSchizophrenia[J].JournalofNeuroscience,2010,30(28):9477-9487.[22]Seeley,W.W.,R.K.Crawford,J.Zhou,etal.,Neurodegenerativediseasestargetlarge-scalehumanbrainnetworks[J].Neuron,2009,62(1):42-52.[23]Wee,C.Y.,P.T.Yap,D.Zhang,etal.,IdentificationofMCIindividualsusingstructuralandfunctionalconnectivitynetworks[J].Neuroimage,2012,59(3):2045-56.[24]Chen,G.,B.D.Ward,C.Xie,etal.,ClassificationofAlzheimerdisease,mildcognitiveimpairment,andnormalcognitivestatuswithlarge-scalenetworkanalysisbasedonresting-statefunctionalMRimaging[J].Radiology,2011,259(1):213-21.[25]Zhou,L.P.,Y.P.Wang,Y.Li,etal.,HierarchicalAnatomicalBrainNetworksforMCIPrediction:RevisitingVolumetricMeasures[J].PlosOne,2011,6(7).[26]Jie,B.,D.Zhang,W.Gao,etal.,Integrationofnetworktopologicalandconnectivitypropertiesforneuroimagingclassification[J].IEEETransBiomedicalEngineering,2014,61(2):576-89.[27]Shen,H.,L.B.Wang,Y.D.Liu,etal.,Discriminativeanalysisofresting-statefunctionalconnectivitypatternsofschizophreniausinglowdimensionalembeddingoffMRI[J].Neuroimage2010,49(4):3110-3121.[28]Wee,C.Y.,L.Wang,F.Shi,etal.,Diagnosisofautismspectrumdisordersusingregionalandinterregionalmorphologicalfeatures[J].HumanBrainMapping,2014,35(7):3414-3430.[29]Wee,C.Y.,Z.Zhao,P.T.Yap,etal.,Disruptedbrainfunctionalnetworkininternetaddictiondisorder:aresting-statefunctionalmagneticresonanceimagingstudy[J].PLoSOne,2014,9(9):e107306.[30]Zeng,L.L.,H.Shen,L.Liu,etal.,Identifyingmajordepressionusingwhole-brainfunctionalconnectivity:amultivariatepatternanalysis[J].Brain,2012,135:1498-1507.[31]Smith,S.M.,D.Vidaurre,C.F.Beckmann,etal.,Functionalconnectomicsfromresting-statefMRIJTrendsCognSci,2013,17(12):666-82.[32]Smith,S.M.,K.L.Miller,G.Salimi-Khorshidi,etal.,NetworkmodellingmethodsforFMRI[J].Neuroimage2011,54(2):875-91.[33]Huang,S.,J.Li,L.Sun,etal.,LearningbrainconnectivityofAlzheimer'sdiseasebysparseinversecovarianceestimation[J].Neuroimage,2010,50(3):935-49.[34]Wee,C.Y.,P.T.Yap,D.Zhang,etal.,Group-constrainedsparsefMRIconnectivitymodelingformildcognitiveimpairmentidentification[J].BrainStructFunct,2014,219(2):641-56.[35]Zanin,M.,P.Sousa,D.Papo,etal.,OptimizingfunctionalnetworkrepresentationofmultivariatetimeseriesJSciRep012,2:630.[36]Lee,H.,D.S.Lee,H.Kang,etal.,Sparsebrainnetworkrecoveryundercompressedsensing[J].IEEETransMedImaging,2011,30(5):1154-65.[37]Jie,B.,D.Shen,andD.Zhang,Brainconnectivityhyper-networkforMCIclassification[C].MedImageComputComputAssistInterv,Boston,USA,Sep.14-18,2014,17(Pt2):724-32.[38]Wee,C.Y.,P.T.Yap,K.Denny,etal.,Resting-statemulti-spectrumfunctionalconnectivitynetworksforidentificationofMCIpatients[J].PLoSOne,2012,7(5):e37828.[39]Jie,B.,D.Zhang,C.Y.Wee,etal.,Topologicalgraphkernelonmultiplethresholdedfunctionalconnectivitynetworksformildcognitiveimpairmentclassification[J].HumanBrainMapping,2014,35(7):2876-97.[40]Zhang,D.,Y.Wang,L.Zhou,etal.,MultimodalclassificationofAlzheimer'sdiseaseandmildcognitiveimpairment[J].Neuroimage,2011,55(3):856-67.[41]Huang,S.,J.Li,J.Ye,etal.,IdentifyingAlzheimer'sDisease-RelatedBrainRegionsfromMulti-ModalityNeuroimagingDatausingSparseCompositeLinearDiscriminationAnalysis[C].InmationProcessingSystemsGranadaSpainDec1-1439.[42]Zhang,D.andD.Shen,Multi-modalmulti-tasklearningforjointpredictionofmultipleregressionandclassificationvariablesinAlzheimer'sdisease[J].Neuroimage,2012,59(2):895-907.[43]Liu,F.,C.Y.Wee,H.F.Chen,etal.,Inter-modalityrelationshipconstrainedmulti-modalitymulti-taskfeatureselectionforAlzheimer'sDiseaseandmildcognitiveimpairmentidentificationJNeuroimage,2014,84:466-475.[44]Jie,B.,D.Zhang,B.Cheng,etal.,ManifoldregularizedmultitaskfeaturelearningformultimodalitydiseaseclassificationinprintJHumBrainMapp,DOI10.1002/hbm.22642,[45]Fei,F.,B.Jie,andD.Zhang,Frequentanddiscriminativesubnetworkminingformildcognitiveimpairmentclassification[J].BrainConnect,2014,4(5):347-60.[46]Fei,F.,B.Jie,andD.Q.Zhang,DiscriminativeSubnetworkMiningforMultipleThresholdedConnectivity-Networks-BasedClassificationofMildCognitiveImpairment[C].In:InternationalWorkshoponPatternRecognitioninNeuroimaging(PRNI),Tübingen,Germany,2014:1-4.[47]Wang,L.P.,F.Fei,B.Jie,etal.,CombiningMultipleNetworkFeaturesforMildCognitiveImpairmentClassification[C].In:TheIEEEICDMWorkshoponDataMininginMedicalImaging,Shenzhen,China,2014:1-4.索,2014,8(10):1246-1253.WANGLipeng,FEIFei,JIEBiao,ZHANGDaoqiang.BrainNetworkClassificationMethodwithSubgraphSelectionandGraph-KernelBasedDimensionalityReduction[J].JournalofFrontiersofComputerScienceandTechnology.2014,8(10):1246-1253.[49]B