阿尔茨海默病的多层脑网络链路预测重构

曹春萍,俞璎时

(上海理工大学 光电信息与计算机工程学院,上海 200093)

0 引 言

阿尔茨海默病(Alzheimer Disease,AD)是一种多发于老年群体且具有致死性的脑部疾病.随着人工智能的不断发展,利用计算机技术对大脑进行研究分析可实现对AD的辅助诊断.作为辅助诊断流程中的前置任务,使用复杂网络对人脑系统进行定量刻画,在医工交叉等学科领域中具有重要的研究与应用价值.功能脑网络是一种利用成像数据从功能连接角度定量刻画人脑系统的方式,其模型结构不仅是影响脑数据特征挖掘和分析结果的关键因素,而且是许多重要问题的研究基础,例如脑网络拓扑结构、脑网络动力学属性、脑功能异常表征等.因此,如何恰当地构建功能脑网络模型以提升网络表达的精准性,逐渐成为计算机辅助技术中的热点问题.

现有的功能脑网络构建研究集中于单层网络研究范式.脑系统通常被抽象为由节点和连边构成的图模型[1],节点表征某一特定脑区域,连边则代表脑区域之间的功能连接.在这种构建方式下,连边的度量定义受限于单关系模式的同质性约束,所以其相关值的计算是基于图像的整个频域信号匹配的.然而,此频域范围已被证明存在异质性特征[2,3].若建模时仅粗略地进行全频匹配,会忽略小频段间的信息差异,造成许多重要脑活动信息的遗失.为了解决上述问题,本文构建了一个多层脑网络模型,将全频域划分为若干小频段,基于不同频段分别构建单层网络,每级网络层均具有同一组脑区节点,由不同层上相同节点间的耦合作用将其连接为一个整体的多路复用网络,进而可以处理不同频段上的异质性信息.

在各频段上的单层脑网络构建过程中,通常设置阈值以检验节点间关联性.阈值大小对边的生成具有决定性作用,若取值过小,则网络中存在虚假连接;若取值过大,则真实有效的连接被过滤,最终影响网络的尺度规模、拓扑关系以及后续的网络分析工作.然而,现阶段阈值的选择没有最佳标准[4],需要采用交叉验证方法遍历所有的可能值进而确定最优解,这会导致计算成本的极大增加.此外,获取的部分成像数据可能序列混乱或者模糊不清[5,6],也会造成脑网络可能存在错误边或缺失边等问题.因此,在网络演化机制中建立提前预测方法来模拟连接以及网络重构,对于降低网络构建成本并提高建模网络的完整性和准确性具有重要的现实意义.

链路预测根据已知的拓扑结构预测未知的链路,能以低成本的实验代价对网络中隐而未露的相互作用进行挖掘.其中,局部相似性指标因高预测精度和低计算复杂度而被广泛应用于结构化数据中.然而,一方面,以往的基于脑网络的链路预测工作主要集中在单层网络,没有考虑到多级网络层之间的依赖关系,造成脑区间交互信息的刻画准确度降低.另一方面,复杂网络具有非同质的拓扑结构,但局部相似性指标关注的重点局限于节点度等特征,描述网络同质性现象的同时却忽略了异质性特征,对网络结构信息的利用不够充分,致使预测精度下降.

因此,本文提出一种基于多层网络链路预测的功能脑网络模型,并将其应用于计算机辅助AD诊断流程.通过划分频域构建多层网络,使节点间存在多频段描述下的连接模式,再提取层内外特征进行链路预测重构网络,预测指标融合层间相似性和节点重要性信息,能更全面完整地刻画脑系统结构,从而提升网络表达的精准性.

本文的主要贡献如下:

1)使用多层网络研究框架,反映出不同频段下连接模式的跨层变化,能够表征更丰富的脑活动信息.

2)使用多特征融合的方法提取多层网络拓扑关系,进行链路预测重构,提高了网络结构的完整性和准确性.

3)设计融合层间相似性和节点重要性的局部相似性指标,充分利用其他网络层结构信息和节点异质性特征信息,提升了链路预测精度.

4)将所提出的模型方法应用到阿尔茨海默病分类研究中,在ADNI(Alzheimer′s Disease Neuroimaging Initiative)数据库中的功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)数据集上进行实验,验证了所提方法的有效性和准确性.

1 相关工作

功能脑网络的构建工作可追溯到2005年,Salvador等人[7]首次构建了基于脑区水平的人类功能脑网络模型,经过网络分析发现大脑网络具有典型的“小世界”拓扑特性,即具有较大的聚类系数特征和较短的平均路径长度[8].此后,脑网络组研究受到了广泛关注.随着脑科学的进一步发展,传统的单层网络研究范式难以满足对大脑更深层次研究的需要,研究人员开始将眼光投注于更复杂的网络结构表示方法.Guo等人[9]提出了一种脑功能超网络模型的构建方法,通过对静息态fMRI时间序列构建稀疏线性回归模型将脑系统抽象为一个超图,从而可以刻画各脑区间的高阶关系.但是,这些基于时域信号构建的脑网络模型未考虑到不同频段下各脑区间交互作用的差异.而Achard等人[10]通过对脑数据的血氧水平依赖(Blood Oxygen Level Dependent,BOLD)信号序列进行小波分解,发现不同频段的信号值蕴含着不同的信息.在此基础上,Wang等人[11]通过计算不同频段下各脑区节点间的互信息值并将其阈值化,构建出功能脑网络模型,再融合图核并采用核极限学习机对阿尔茨海默病进行诊断,结果表明该方法可以提高分类的准确性[12].然而,上述工作针对切分后的单独子频段进行研究,忽略了各子频段网络连接为整体时的层间相似性等特征,且未考虑到模型构建过程中可能存在的错误边或缺失边.鉴于此,本文对全频段进行划分,构建了基于不同频段描述的多层脑网络模型,再进行链路预测完成网络重构,能更系统化、更全面地描述脑网络的结构特征.

目前,链路预测技术已经成为复杂网络中网络重构的重要方法之一.在链路预测的过程中,局部相似性指标为度量节点间是否存在连边提供了一种途径,其根据节点对的局部拓扑结构信息为每一条候选连边计算一个相似性分数,分数越高的节点对越有可能建立连接.2012年,Vertes等人[13]首次将链路预测技术应用到功能脑网络的构建工作中,提出一种将基于解剖距离的结构指标与基于节点共同邻居的局部相似性指标相结合的计算模型,合理地模拟了精神分裂患者大脑网络的异常属性.之后,Sadegh等人[14]提出了一种混合链路预测方法,可以同时添加或删除老年人大脑网络中的链接来预测认知损害的阶段,并通过对比多种局部相似性指标,发现基于共同邻居节点度值的Adamic-Adar(AA)算法对AD前期病变演化的预测效果最佳.然而,这些链路预测技术都是基于单层网络计算的,并且所采用的局部相似性指标均基于同质性假设,未考虑到拓扑结构的异质性.而层间相似性作为网络连边层面的异质性信息,描述了多层网络中层之间的依赖关系.有关研究发现,在多路复用网络中任一网络层的链路情况与其余网络层的拓扑结构存在相关性[15].同时,节点重要性作为网络节点层面的异质性信息,可由节点中心性[16]进行表征,也在网络演化机制中表现出一定的影响力.相关数据显示,大脑中枢节点的连边在AD病变演化时更易遭受攻击[17].这些信息表明层间相似性和节点重要性作为网络结构信息的补充,很可能会提升链路预测精度.鉴于此,本文提出了融合层间相似性和节点重要性的链路预测方法,以期在脑网络中有效地利用多频段描述下的结构差异和节点异质信息来增强链路预测效果,最终提升网络表达的精准性.

2 方 法

2.1 问题定义

2.2 模 型

本文提出一种基于多层网络链路预测的功能脑网络模型(BrainNetworkBased on Layer Relevance and Node Importance,LIBN).该模型的建立过程分为多层网络构建和链路预测重构两个阶段:1)多层网络构建:对获取的静息态fMRI图像进行预处理,并通过解剖自动标记(Anatomical Automatic Labeling,AAL)模板提取网络中的90个节点;接着进行分频处理,对全频域BOLD时间序列做离散小波变换,得到各级网络层;利用皮尔逊相关系数度量各频段内节点间的耦合关系,并设定阈值T判断两节点之间的相关性,从而建立不同频段下的网络连接模式;2)链路预测重构:在多层网络的基础上继续链路预测,通过考虑节点重要性信息的AA算法分别计算各级网络层内的节点序列相似度以实现层内信息的获取;接着采用全局重叠方法计算其他层与目标层网络结构的层间相似性并提取层间关系;融合层间关系和层内关系得到多层网络链路预测指标,将其应用于各级网络层以实现网络重构.

经过这两个阶段,完成LIBN模型的构造工作,模型基本框架如图1所示.

图1 LIBN模型的框架图(以4个节点、4个网络层为例)Fig.1 Framework diagram of LIBN model(example with 4 nodes and 4 network layers)

2.2.1 多层网络构建

脑系统被简单地抽象为基于全频域构建的单层网络,难以处理不同频段的异质性信息.而多层网络考虑到多类型关系交互的贡献,通过对脑区在各级频段下不同交互模式的刻画,能更好地处理脑系统中复杂的交互逻辑.因此,在LIBN模型的构造过程中,使用多层网络研究范式,分别计算节点、网络层和连边以实现多层网络的构建工作,从而能更系统地、更全面地描述脑网络的结构特征.

1)节点确定

为消除数据间的差异,对获取的静息态fMRI图像做时间层校正及头动校正等预处理操作,并保留有效BOLD信号段为0.01～0.2Hz.

为定义网络中的节点,对大脑进行区域级分割,将大脑划分成多个感兴趣区域(Region of Interest,ROI),每个ROI抽象为网络中的一个节点.具体实现过程为:使用标准脑区模板AAL与预处理后的数据进行匹配,将数十万个体素点归类到90个具体的标准脑区内,计算每个脑区域内所有体素的BOLD平均时间序列,并将其表示为该脑区的时间序列,最终构成一个以标准脑区为节点的模型,模型中任一网络层α上的节点集合为V[α]={V1,V2,…,V90}.

2)网络层划分

为更有效地利用脑活动信息,对静息态fMRI图像进行分频处理.采用离散小波变换对节点时间序列进行逐层分解[18],将每幅图像切分为M个频段,一个频段对应一级网络层,分解过程如图2所示,图像x[n]经过低通滤波器g[n]和高通滤波器h[n]及后续下采样,分解为近似分量x1,L[n]和细节分量x1,H[n],再对近似分量x1,L[n]继续逐层分解,得到各级频段下的时间序列图像x1,H[n],x2,H[n],…,xk,H[n].令φ={x1,H[n],x2,H[n],…,xk,H[n]}={φ1,φ2,…,φk},φ中的各矩阵描述了静息态fMRI图像在各级频段内的节点时间序列的变化趋势,其中分解后的第α个结果可表示为:

(1)

图2 静息态fMRI图像的离散小波分解过程Fig.2 Discrete wavelet decomposition process for resting-state fMRI images

3)连边确定

根据静息态fMRI图像的分频结果,计算各级网络层中节点间的连边表示.由节点时间序列的同步性量化脑区之间的连接强度,皮尔逊相关系数(Pearson correlation coefficient,PCC)可以准确度量两个序列之间的相互作用.因此,使用PCC计算节点对(i,j)的相关系数,即:

(2)

当相关系数较小时,此连接并非真实有效.因此,对相关系数进行阈值化处理,得到M个二值邻接矩阵.上述方法通过不同频段下的信息差异,实现节点间多样化的连接模式,由此构成一个基于频段变化的多层网络模型.

2.2.2 链路预测重构

网络模型刻画信息的准确度往往会受限于成像序列的完整程度和生成边时选取的阈值.链路预测技术可还原或预测缺失信息,是补充网络结构和研究网络演化机制的强大工具.但局部相似性指标忽略了共同邻居节点间的影响力差距,未充分利用网络拓扑结构信息.因此,在LIBN模型中,构建多层网络后再进行链路预测重构,分别提取层内关系和层间关系,提出融合节点重要性和层间相似性的局部相似性指标,更加关注节点和连边的异质性,从而提高网络表达的准确性.

1)层内关系提取

对各级网络提取层内关系时,采用将节点重要性与AA算法相融合的方法.AA算法是局部相似性指标之一,其认为度大的共同邻居节点在相似性计算时具有更小的影响力,可被用来衡量节点对的接近程度.与共同邻居(Common Neighbors,CN)和资源分配(Resource Allocation,RA)等其他局部相似性指标相比,AA算法在基于脑网络水平的阿尔茨海默病早期病情演变过程中展现出较好的链路预测性能[14].通过计算,节点x,y之间的相似性分数为:

(3)

其中,z表示节点x,y的共同邻居;kz表示节点z的度.

AA算法基于共同邻居节点的度衡量两节点x,y的相似性,将节点度对数的倒数作为权重值赋予每个节点.这表明AA算法对相同度值的不同节点不作区分.然而,节点的重要程度代表了该节点具备的信息转移能力和中介能力,即使是相同度值的节点在网络影响力方面还是存在差距,并会对节点序列的相似性造成影响,而AA算法却忽略了这样的异质信息.因此,本文将针对AA算法进行改进.

本文节点重要性信息由介数中心性[19]进行衡量.介数中心性认为一个节点的影响力与该节点对网络中沿最短路径传输的网络流控制力有关,即经过该节点的最短路径数越多则其重要性越大,已有研究将其作为多层网络中节点重要性的刻画指标,因此它可以被用来表征脑网络中节点的重要性程度,被定义为:

(4)

(5)

本文设计一种基于AA算法考虑节点重要性的层内相似性指标,核心思想为若节点x,y共同关注了介数中心性较低的节点z,则两者之间有更大的可能性会建立链路.因此,相似性指标simxy定义如下:

(6)

2)层间关系提取

考虑到其他层与目标层之间的依赖关系,因此对多层脑网络的层间关系进行提取.使用全局重叠方法[15]提取层间相似性,分别计算层α、层β的已知链路总数L[α]、L[β]以及两者的重叠链接O[α,β],由全局重叠率表示层间相似性μ[α,β],具体计算如下:

(7)

3)预测指标

(8)

根据上述介绍,算法1描述了LIBN模型的构建过程:

算法1.LIBN模型的构建

输入：静息态fMRI图像x[n],网络层数M,阈值T

输出：功能脑网络

1.φ=frequencydomain(x[n])

2.{φ1,φ2,…,φk}=frequencydemultiplication(φ)

3.fori=1 toMdo

4.Pi=PearsonCorrelationCoefficient(φi)

5.ifPi(x,y)≥Tthen

6.Pi(x,y)=1

7.else

8.Pi(x,y)=0

9.endif

10.Simi=Intralayersimilarity(Pi)

11.endfor

12.fori=1 toMdo

13.forj=i+1 toMdo

14.Uij=Interlayersimilarity(Pi,Pj)

15.endfor

16.endfor

17.fori=1 toMdo

18.Li=Nodesimilarity(Sim,U)

19.Pmi=Connectionprobability(Li)

20.Gi=networkreconstruction(Pmi)

21.endfor

22.returnG={G1,G2,…,Gk}

3 实验及分析

本文从AD分类性能角度切入,量化脑网络模型刻画信息的能力.AD分类是一种将正常被试与阿尔茨海默病患者进行区分的计算机辅助诊断应用,已有将其用于评估脑网络建模方法有效性的研究[20-22],因此AD分类性能可作为脑网络表达信息精准度的一种度量.本文在相同环境下比较提出的LIBN模型与其他面向AD诊断的功能脑网络模型的性能差异,对所有脑网络模型提取特征后采用基于支持向量机方法进行AD分类,从而能以分类效果评价不同脑网络模型的表现.实验基于MATLAB进行,具体过程包括静息态fMRI数据的预处理、多层网络的构建、链路预测的计算以及阿尔茨海默病分类等,对所提模型的准确性和有效性进行了验证.

3.1 实验数据

实验数据来自阿尔茨海默症神经成像联合数据库ADNI.ADNI是一个庞大的开源数据库,旨在开发医学影像、临床检验和其它生物标记物,用于早期检测和跟踪阿尔茨海默症病情发展.实验共获取了236例静息态fMRI数据样本,其中包括118例阿尔茨海默病病人数据和118例正常对照组(NormalControl,NC)数据.样本数据均由Philips 3.0T扫描仪采集而得,每例数据包含140张时间序列图,图像切片厚度为3.313mm,切片数量为48,FA=80°,TE=30ms,TR=3000ms,其他数据详情如表1所示.

表1 ADNI数据集详情Table 1 Details of ADNI dataset

3.2 实验设置及评价标准

3.2.1 参数设置

在利用LIBN模型进行AD分类的实验中,分别分析了构建多层网络时所划分的网络层个数M,检验节点间连接强度的阈值以及设计链路预测指标时控制层间关系的权重对分类精度的影响.为找到最优值,通过控制变量取不同的参数值进行分析,表2中加黑数字为由实验所得的具有最优分类效果的参数值.

表2 实验参数取值Table 2 Values of experimental parameters

3.2.2 评价指标

准确率(Accuracy)、敏感度(Sensitivity)和特异性(Specificity)是评价AD诊断结果的常用标准,因此本文采用这3种指标衡量AD分类性能,进而对脑网络模型刻画信息的能力进行评估.Accuracy指标直观反映了分类性能的好坏,在本文中表示分类正确的AD和NC样本数与总样本数的比例;Sensitivity在本文中指AD患者被正确分类的概率;Specificity描述的是NC对照组被正确分类的概率.各项指标定义为:

(9)

(10)

(11)

其中,TP表示真阳性,本文指被预测为AD而实际是AD的样本数;TN表示真阴性,本文指被预测为NC且实际为NC的样本数;FP表示假阳性,本文指被预测为AD而实际为NC的样本数;FN表示假阴性,本文指被预测为NC而实际为AD的样本数.

3.3 实验结果与分析

3.3.1 分类性能

为了验证LIBN模型提升网络表达精度的有效性,本文将其与一些面向阿尔茨海默病诊断的流行模型进行对比,分别是应用最为广泛的单层功能脑网络模型(表示为SBN)、基于滑动时间窗构建的动态功能脑网络模型(表示为DBN)、Wang等人[20]提出的多频体素脑网络(表示为MVBN)、Chen等人[21]提出的融合灰质动态功能网络和白质功能相关张量特征的AD分类模型(表示为CBN)以及Wee等人[22]提出的融合稀疏学习算法和时间网络的AD分类模型(表示为WBN).并且,为了说明链路预测重构阶段对于提升网络刻画信息能力的影响,设计了基于多层网络但未链路预测的对比模型(表示为MBN).此外,为了说明所提出的融合层间相似性和节点重要性的局部相似性指标的效果,设计了基于多层网络再分别利用CN、AA、RA这3种链路预测指标重构网络的对比模型(分别表示为CNBN、AABN、RABN).将这些模型分别应用于阿尔茨海默病的分类诊断流程,比较同一分类器下不同脑网络模型所表现的分类性能,模型的性能结果如表3所示.

表3 模型对比结果Table 3 Comparative performance of different models

由实验可以看出,LIBN模型的分类性能优于几种对比的方法,分类精度达到了86.7%.而最常被使用的SBN模型的分类精度为69.3%,对比方法中性能最佳的为AABN模型,分类精度为85.6%,LIBN模型相比这两种模型准确率分别提升了17.4%和1.1%.这是由于LIBN模型不仅通过多层网络框架处理了不同频段上的异质性信息,还综合考虑了多层网络中的层间相似性信息和局部拓扑结构中的节点重要性信息,使得模型应用于AD分类时准确率、敏感度及特异性均有相应提高,验证了本文模型可以有效地提升网络表达的精准性,辅助诊断效果更好.

与仅考虑多层网络的MBN模型相比,链路预测重构后的LIBN模型,分类准确率提高了4.4%.这表明链路预测重构阶段能有效处理原始网络中的虚假边和缺失边,提高了网络的完整性与准确性,因而对模型刻画信息的能力起到一定的帮助.

此外,相较于使用其他常用的链路预测指标构建的脑网络模型CNBN、RABN、AABN,LIBN模型的分类准确率分别提高了3.2%、2.6%、1.1%,这是由于融合层间相似性和节点重要性信息的局部相似性方法有效利用了网络拓扑结构中的异质性信息,对提升链路预测精度有所助益.

3.3.2 网络层数的影响

文献[10]显示,成像数据经离散小波变换后构建的功能脑网络的小世界属性在0.03～0.06Hz(第4频段)范围内最为突出,在0.01～0.03Hz(第5频段)范围内略有下降,但在0.007～0.01Hz(第6频段)范围内明显下降,这表明脑区间的功能交互作用在第4和5频段下能得到更好的展现.为了验证LIBN模型中多层网络层数划分所产生的最优结果,将BOLD信号频域划分为1～7个频率段,并分别将不同层数的多层脑网络模型应用于诊断流程中进行AD分类,图3表示不同层数对分类准确性的影响.

图3 网络层数对分类准确率的影响Fig.3 Classification accuracy of the number of network layers

如图3所示,在其他参数选取最优值的情况下,当网络层数为5时,AD分类的准确率最高,为86.7%;当网络层数为4时,分类准确率略低于最高值,为84.6%,而其余层数的分类准确率远低于精度最高值,分类性能显著降低.这是因为在应用离散小波变换时,是对BOLD时间序列低频部分进行逐层分解的,并且与高频生理噪声相比,低频信号段更具同步活动特性,尤其在0.01～0.06Hz范围内最为显著,而当信号低于或高于此频率段时,功能连接特性均出现减弱.所以当网络层数为4或者5时,模型的分类性能较好,也说明此时的脑网络表达信息的精准度较高.此外,当网络层数为1时,模型分类精度为72.8%,对应着单层网络链路预测后的情况,相比起多层网络链路预测后的分类性能具有较大差距,这说明LIBN模型在多层网络构建阶段有效利用了多频段信息,从而模型精度有了相应提升.

3.3.3 子网络的影响

本文通过对BOLD信号进行分频得到LIBN模型中的网络层,其中每一级网络层代表一个频段.由之前实验可知,5层网络的LIBN模型具有最佳AD分类效果,为分析每一网络层对实验结果的影响,分别将各级网络层的子网络单独应用于AD分类,结果见图4.

图4 子网络的分类精度Fig.4 Classification accuracy of subnetworks

图4中分类精度峰值对应第4级子网络的分类效果,为75.8%,相比于一个具有5个网络层的系统的LIBN模型,其分类精度低了近11%,而其余子网络的分类精度均小于72%,分类性能远远低于LIBN模型.单独子网络与整个多层网络之间较大的分类性能差距,说明了仅独立地分析某一子网络会丢失重要的脑活动信息,而多层网络作为一个整体,能更好地表征大脑特征,进一步证明了本文方法的优越性.

3.3.4 参数的影响

在提出的LIBN模型中存在着两个可变的参数:连接强度阈值T、层间关系权重a,其中T表示检验连边强度时的阈值,λ表示链路预测重构阶段层间信息和层内信息的预测权重,为了评价这两个参数在AD分类诊断中对模型性能的影响,分别在选择不同参数值的情况下进行实验并计算其分类精度.

为保证脑网络的完整性和小世界属性,设置阈值来确定连边时须满足以下两个条件:1)网络平均度值k≥2lnN(N为节点数);2)小世界属性σ>1.1.因此,为了检验LIBN模型中的最优参数值,设置阈值T空间范围为[0.1,0.6],步长设置为0.1,层间信息权重λ的取值范围为[0,1],步长设置为0.1,共进行66组实验.图5(a)显示了各组参数下的AD分类准确率,当T=0.4,λ=0.4时,表现出了最高准确率,达到86.7%.

图5 参数对分类性能的影响Fig.5 Influence of parameters on classification performance

为进一步说明阈值对脑网络信息表达能力的影响,在层间信息权重最优时即λ=0.4,将不同阈值下产生的脑网络模型应用于AD分类,结果如图5(b)所示.通过实验结果可以观察到AD分类准确率随着阈值T的变化产生了较大的差异,这表明阈值选取对分类性能具有较大的影响.当阈值为0.4时,AD分类精度最高;当阈值为0.3时,分类精度略低于最高值,而当阈值过大或过小时,分类精度下降明显.显然,若阈值选取不当导致网络中存在缺失边或虚假边,会对脑网络的拓扑结构以及后续的网络分析等造成较大的影响,这进一步证明之后链路预测重构的必要性,体现了本文所提方法的有效性.

为了评价权重对脑网络刻画信息能力的影响,在阈值T选取0.4时,分别使用不同的权重值来计算AD的分类性能.具体结果如图5(c)所示.在保持其他参数最优的情况下,权重取值为0.4时,模型出现了最优准确率.这说明层间信息在多层脑网络中权重为0.4时,对网络拓扑关系的预测性能最佳.以上结果说明,在多层脑网络中各级网络层拓扑结构存在依赖关系,其层间相似性信息对网络演化机制有一定的影响,进一步体现了本文模型的性能更优.

4 结束语

为提升脑网络表达信息的精准性,从而提高计算机辅助AD诊断性能,提出了基于多层网络链路预测的功能脑网络模型.通过引入多层网络研究范式,允许节点间存在多层次的交互类型,有效利用不同频段描述下的网络结构差异.并且,基于多层网络拓扑结构再进行链路预测,提升网络结构的完整性及准确性.此外,预测指标通过融合层间相似性和节点重要性,更加关注连边和节点的异质性信息,提升链路预测精度.将提出的网络模型应用到阿尔茨海默病分类诊断中,实验结果表明该模型能更加全面地保留脑活动特征,提高了分类诊断的准确性.然而,本文未考虑不同级别的节点尺度规模对脑网络表征信息准确度的影响,故最佳节点尺度是今后需要研究的方向.