ГРАФОВАЯ НОВАЯ МОДЕЛЬ СЛИЯНИЯ ДАННЫХ МОЗГА И ГЕНОВ ДЛЯ КЛАССИФИКАЦИИ ДЕПРЕССИИ

Аннотация

Депрессия является сложным нейропсихиатрическим расстройством, возникающим в результате взаимодействий на молекулярном и нейрональном уровнях, однако большинство вычислительных подходов анализируют нейрофизиологические и генетические данные по отдельности. В данном исследовании предлагается основанная на графовых нейронных сетях (GNN) структура для интеграции признаков электроэнцефалографии (ЭЭГ) и генетических маркеров с целью поддержки автоматизированной классификации депрессии. Используя мультимодальный поднабор набора данных ICBrainDB, мы проанализировали 383 участника (349 человек в контрольной группе и 34 человека с депрессией), для которых были доступны как данные ЭЭГ, так и генетические данные. Признаки ЭЭГ, полученные из различных областей скальпа и состояний покоя, а также переменные на уровне генов из специально подобранной панели были представлены в качестве узлов в едином графе, где ребра определялись корреляционной структурой, вычисленной только на обучающей выборке. Архитектура передачи сообщений в стиле GCN с глобальным объединением была обучена с использованием конвейера предварительной обработки, контролирующего утечку данных, и оценена в условиях дисбаланса классов с применением всесторонних метрик дискриминации, согласия и калибровки. На отложенном тестовом наборе модель достигла ROC-AUC = 0,9265 и точности (accuracy) = 0,9221, с высокой специфичностью (0,9857) и хорошо откалиброванными вероятностными выходами. Оптимизация порога классификации улучшила обнаружение класса меньшинства, обеспечив лучший показатель F1 = 0,5455 и сбалансированную точность 0,7071. Эти результаты демонстрируют, что учитывающее сетевую структуру объединение сигналов ЭЭГ и генов с помощью GNN может эффективно улавливать кроссмодальные зависимости, значимые для депрессии, и обеспечивать масштабируемую и интерпретируемую основу для приложений точной психиатрии.