Artemis: 解剖分辨率干预消除多模态神经影像混杂因素

多模态神经影像学通过整合功能性磁共振成像（fMRI）的功能连接和弥散张量成像（DTI）的结构连接，结合图神经网络（GNN）实现了对脑网络的无创分析。这种方法在脑疾病诊断和分类中展现出巨大潜力。然而，年龄和性别等人口统计学因素会系统性地混淆脑连接与临床结果之间的关系，导致GNN利用虚假捷径而非因果不变的表示进行预测。现有的一些因果GNN方法虽然在图建模层面引入了因果性，但其因果机制是领域无关的，未能针对临床神经影像数据中固有的真实混杂因素进行调整。此外，脑网络是基于图谱分区构建的，每个区域对人口统计学因素的敏感度不同，因此需要区域感知的调整。

为了解决这一挑战，来自多个机构的研究团队提出了Artemis框架。Artemis是一种区域级因果框架，它通过在每个脑区独立进行因果干预，学习轻量级的区域特定混杂因素表征，从而有效消除了混杂因素的影响。该调整全面利用了多模态功能连接和结构连接特征进行图推理，并且设计为插件模块，可以无缝集成到任意GNN骨干网络中。研究者在三个具有挑战性的基准任务上评估了Artemis的性能：ADNI数据集上的疾病诊断、OASIS数据集上的痴呆分期，以及HCP数据集上的性别分类。实验结果表明，Artemis在所有任务中均一致地优于代表性的GNN基线方法。此外，多项支持性实验进一步证明了该方法的统计显著性和神经科学可解释性，表明其能够学习到与临床相关且稳健的脑网络表征。

Artemis的提出为消除神经影像分析中的混杂因素提供了全新的思路。它不仅提升了GNN在临床诊断中的鲁棒性和可解释性，还为未来研究提供了一个即插即用的模块化工具。通过区域级别的因果干预，Artemis有望帮助临床医生更准确地识别与疾病相关的脑网络变化，从而改善诊断和预后评估。这一工作为多模态神经影像学的因果分析奠定了基础，并展示了在真实临床环境中应用GNN的巨大潜力。具体来说，Artemis框架的核心创新在于其区域级因果干预机制。与全局混杂因素调整方法不同，Artemis针对每个脑区独立学习一个轻量级的表征，捕获该区域特有的混杂因素模式。然后，它利用这些表征调整对应脑区的功能连接和结构连接特征，从而消除混杂影响。这种区域感知的调整使得模型能够聚焦于真正与临床结果因果相关的脑网络模式。在ADNI数据集上，Artemis在阿尔茨海默病诊断任务中取得了显著更高的准确率；在OASIS数据集上，它在痴呆严重程度分期中表现出更好的性能；在HCP数据集上，它在性别分类任务中同样优于基线方法。这些结果证明了Artemis在不同应用场景中的通用性和有效性。