Augmentation-based Unsupervised Cross-Domain Functional MRI Adaptation for Major Depressive Disorder Identification

本文讨论了常见的心理障碍疾病——重度抑郁症（MDD），该疾病通常会影响一个人的情绪、认知、行为和身体健康。静息态功能磁共振成像（rs-fMRI）数据被广泛用于计算机辅助诊断MDD。虽然多中心fMRI数据可以为训练可靠的诊断模型提供更多数据，但显著的跨站数据异质性会导致模型泛化能力差。许多领域自适应方法旨在在一定程度上减少站点之间的分布差异，但通常忽略了模型在源域上的过拟合问题。直观地说，目标数据增强可以通过迫使模型学习更广义的特征并减少对源域数据的依赖来缓解过拟合问题。在本文中，我们提出了一种新的基于增强的无监督跨领域fMRI适应（AUFA）框架，用于自动诊断MDD。AUFA包括1）用于提取具有空间注意力的rs-fMRI特征的图表示学习模块，2）用于源数据和目标数据之间的特征对齐的领域适应模块，3）基于增强的自我优化模块，用于缓解模型对源域的过拟合问题，以及4）分类模块。对1,089名受试者的实验结果表明，AUFA在MDD识别方面优于几种最先进的方法。我们的方法不仅减少了不同站点之间的数据异质性，而且定位了与疾病相关的功能连接异常，并为模型提供了可解释性。

该论文旨在解决多中心脑功能磁共振数据在自动诊断MDD方面存在的数据异质性和过拟合问题。

该论文提出了一种基于数据增强的无监督跨域脑功能磁共振适应框架（AUFA），通过图表示学习模块、域适应模块、自我优化模块和分类模块，实现了对MDD的自动诊断。

该论文的实验结果表明，AUFA在MDD识别方面优于几种最先进的方法。该方法不仅减少了不同站点之间的数据异质性，还定位了与疾病相关的功能连接异常，并为模型提供了可解释性。

最近在这个领域中，还有一些相关研究，例如：“Automated diagnosis of major depressive disorder using different connectomic features based on functional magnetic resonance imaging”和“Multi-site machine learning analysis provides a robust structural imaging signature of major depressive disorder”。