脑功能网络的特征提取与模式分类及其在脑疾病诊断中的应用

尽管复杂网络理论近年来被广泛应用在基于核磁共振成像的脑结构与功能的研究中，但如何从海量功能核磁共振信号中提取有效信息、构建合理的脑功能网络，并对健康者与脑功能异常病人的脑网络进行识别仍是脑科学研究中的瓶颈问题，这些问题的解决对于重大脑疾病的早期诊断和预防具有重要意义。利用数据挖掘中前沿的降维手段，并将复杂网络特征提取的概念与分类器设计有机的结合起来，我们建立针对网络这一特殊结构的数据进行模式识别和分类的新方法，并首次应用于脑功能异常病人和健康人的脑功能网络分类和病人异常脑区及连接的识别。本项目的方法可为脑功能疾病的诊断及预后评估提供有价值的信息，具有重要的临床意义。同时，我们将从数据中挖掘到的信息反馈至计算神经学模型，研究病人的异常脑区和连接影响其脑功能网络的本质，为阐明脑功能疾病在网络层次的发病机制及脑功能异常的建模提供了途径，具有重要的理论意义。

随着核磁共振的普及和脑疾病发病率的提高，利用静息态核磁共振数据对各种脑疾病的脑功能网络进行模式识别和分类对于我们认识大脑的致病机制和临床诊断具有重要的理论意义和实用价值。本研究的主要学术贡献如下：1. 提出了构建稀疏脑功能网络的方法和及基于网络的特征提取与模式分类方法，并发展了新的、能够敏感反应脑功能网络对称性指标，用于健康人和癫痫病人的分类准确率达到85%。2. 阐明了互相关系数相比于偏相关系数在计算脑功能网络连边方面的优越性，发现互相关系数能够识别出病人脑功能网络显著改变的边。结合互相关和偏相关系数，我们首次发现在多种脑疾病中，导致边发生显著改变的节点是其对侧脑区的对称节点，这为理解精神疾病的致病机制、治疗和诊断提供了全新的视角。3. 提出在体素水平构造脑功能网络进行疾病分类，准确率高于脑区水平的脑网络。我们在包含5万个节点的体素水平的大型脑功能网络上，发展全脑关联分析方法，利用自闭症大数据发现了自闭症病人大脑与社交行为中的人脸表情识别和自我认识密切相关的子网络发生了改变。为自闭症脑网络异常的诊断和治疗提供了依据。4. 研究了任务态下脑功能网络的模块化特性，发现在不同的尺度上，脑功能网络均与脑结构网络具有对应关系，构成了任务态的功能基础。此外我们还通过模型研究了一般网络的动力学过程，如去同步发生的条件，网络信息传递与其结构的关系以及网络的控制，为从理解大脑的运作机制提供了理论基础。本项目的研究成果已经开始和临床诊断相结合，并在积极寻求向产品的转化。