智能AI
morning
Artemis：消除多模态神经图像混杂因素的解剖学解决干预
2026-06-18
1 阅读
Siyuan Dai, Yang Du, Kun Zhao, Zhusuyi Chen, Heng Huang, Paul Thompson, Chao Shi, Haoteng Tang, Liang Zhan
arXiv:2606.18287v1 公告类型：新 摘要：多模态神经成像集成了 fMRI 的功能连接和 DTI 的结构连接，可以使用图神经网络对大脑网络进行非侵入性分析。然而，年龄和性别等人口统计因素系统性地混淆了大脑连接性和临床结果之间的关系，导致 GNN 利用虚假的捷径而不是学习因果不变的表示。虽然最近的因果 GNN 方法在图建模层面引入了因果关系，但它们的因果机制仍然与领域无关，没有考虑临床神经影像数据中固有的现实世界混杂因素。此外，大脑网络是由基于图谱的分区构建的，其中每个区域对人口统计因素表现出不同的敏感性，因此需要进行区域感知调整。我们提出了 Artemis，一个区域级因果框架，通过学习具有轻量级参数的区域特定混杂表示，独立地对每个大脑区域进行因果干预，从而弥合了这一差距。我们的调整综合利用了图推理的多模态功能和结构特征，作为与任意 GNN 主干兼容的插件模块。对三个基准（用于疾病诊断的 ADNI、用于痴呆分期的 OASIS 和用于性别分类的 HCP）的实验表明，与基于 GNN 的代表性基线相比，有一致的改进。多项支持实验进一步证明了统计意义和神经科学的可解释性。