一种精神障碍核心症状多尺度预测模型构建方法和装置

本说明书实施例涉及医学影像处理与精神症状网络分析，尤其是一种精神障碍核心症状多尺度预测模型构建方法和装置。

背景技术：

1、多种精神障碍均具有显著的症状异质性和跨诊断表型重叠，精神分裂症是精神障碍中的一种典型疾病。

2、精神疾病的早期识别与个性化诊断是现代精神医学领域的重要研究之一，尤其是在抑郁症、精神分裂症、双相障碍、自闭症谱系障碍等精神疾病的临床管理中，构建高效、精准、具备可解释性的辅助诊断系统，已成为学术界与产业界的重大挑战。

3、现有的精神疾病识别方法仍存在多个技术瓶颈。一方面，传统方法多依赖静态地全脑连接矩阵或局部脑区的单一统计特征，难以捕捉大脑在不同时间尺度下的动态变化特性；另一方面，脑区之间地复杂高阶交互关系常被忽略，时间域、频率域及潜在地因果联系尚未被有效建模；此外，部分研究引入深度学习模型以提升识别精度，但由于模型结构普遍为黑箱架构，缺乏足够的临床可解释性与透明性，限制了其在实际医疗场景中广泛部署

4、传统建模方法常以疾病总分、分量表分数或单一诊断类别作为预测目标，虽然便于整体描述，但容易混合不同症状条目的表型结构，降低模型对核心症状机制的解释能力。

5、症状网络分析能够将症状条目表示为节点，将条目间条件相关关系表示为边，从而识别在症状系统中具有较高影响力的核心症状节点。然而，单独的症状网络模型通常停留在表型层面，难以进一步构建具有脑连接和分子注释支撑的预测模型。连接组预测建模能够利用静息态功能磁共振数据中的全脑功能连接边构建症状预测模型。空间基因表达图谱可进一步为预测网络提供分子层面的注释。现有方法往往将上述分析环节分开实施，缺少一种将核心症状筛选、连接组预测建模和分子注释整合为统一预测模型的构建方法

6、有鉴于此，本说明书实施例旨在提供一种精神障碍核心症状多尺度预测模型构建方法和装置。

技术实现思路

1、针对现有技术存在的预测目标粗化、跨尺度信息割裂和模型解释性不足的问题，本说明书实施例的目的在于，提供一种精神障碍核心症状多尺度预测模型构建方法和装置。

2、本说明书实施例的具体技术方案如下：

3、第一方面，本说明书实施例提供一种精神障碍核心症状多尺度预测模型构建方法，包括：

4、获取原始数据并进行预处理，所述原始数据包括多个受试者的症状量表数据和静息态功能磁共振数据，所述症状量表数据包括多个症状条目的评分；

5、根据所述症状条目评分对应的症状评分矩阵，构建稀疏症状网络；

6、根据所述稀疏症状网络计算各症状节点的重要性指标，并根据所述重要性指标和预设的症状域对各症状节点进行筛选得到核心症状节点；

7、基于所述静息态功能磁共振数据和预设脑区模板，生成各受试者的全脑功能连接矩阵，所述全脑功能连接矩阵中的元素表示两个脑区之间的功能连接强度；

8、利用所述全脑功能连接矩阵和预先建立的交叉验证训练集，建立每一核心症状节点对应的连接组预测子模型，得到正向预测网络、负向预测网络和配置参数；

9、将所述正向预测网络和所述负向预测网络投射至预设大尺度脑网络得到脑连接表征，以及将所述正向预测网络和所述负向预测网络的空间分布与人脑空间基因表达图谱进行映射得到分子注释表征；

10、以所述核心症状节点为索引，融合所述重要性指标、连接组预测子模型、所述脑连接表征和所述分子注释表征，生成所述精神障碍核心症状多尺度预测模型。

11、第二方面，本说明书实施例提供一种精神障碍核心症状多尺度预测模型构建装置，包括：

12、获取与预处理模块，用于获取原始数据并进行预处理，所述原始数据包括多个受试者的症状量表数据和静息态功能磁共振数据，所述症状量表数据包括多个症状条目的评分；

13、稀疏症状网络构建模块，用于根据所述症状条目评分对应的症状评分矩阵，构建稀疏症状网络；

14、核心症状节点筛选模块，用于根据所述稀疏症状网络计算各症状节点的重要性指标，并根据所述重要性指标和预设的症状域对各症状节点进行筛选得到核心症状节点；

15、连接矩阵生成模块，用于基于所述静息态功能磁共振数据和预设脑区模板，生成各受试者的全脑功能连接矩阵，所述全脑功能连接矩阵中的元素表示两个脑区之间的功能连接强度；

16、预测网络建立模块，用于利用所述全脑功能连接矩阵和预先建立的交叉验证训练集，建立每一核心症状节点对应的连接组预测子模型，得到正向预测网络、负向预测网络和配置参数；

17、多尺度注释获取模块，用于将所述正向预测网络和所述负向预测网络投射至预设大尺度脑网络得到脑连接表征，以及将所述正向预测网络和所述负向预测网络的空间分布与人脑空间基因表达图谱进行映射得到分子注释表征；

18、多尺度预测模型生成模块，用于以所述核心症状节点为索引，融合所述重要性指标、连接组预测子模型、所述脑连接表征和所述分子注释表征，生成所述精神障碍核心症状多尺度预测模型。

19、第三方面，本说明书实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述技术方案提供的方法。

20、采用上述技术方案，本说明书实施例提供的一种精神障碍核心症状多尺度预测模型构建方法和装置，通过将症状网络、全脑功能连接、大尺度脑网络投射以及空间基因表达图谱整合为统一的多尺度预测模型，使得模型不仅能够输出各核心症状预测参数，还能提供从症状共现模式、脑功能连接情况、脑连接表征、分子注释表征等跨尺度解释特征。既保证了预测性能的稳健性，又为理解精神障碍核心症状背后的神经生物学机制提供了多维度解释数据，增强了模型在临床辅助诊断与个体化干预决策中的实用价值。

21、为让本说明书实施例的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

1.一种精神障碍核心症状多尺度预测模型构建方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，基于所述静息态功能磁共振数据和预设脑区模板，生成各受试者的全脑功能连接矩阵，进一步包括：

3.根据权利要求2所述的方法，其特征在于，利用所述全脑功能连接矩阵和预先建立的交叉验证训练集，建立每一核心症状节点对应的连接组预测子模型，包括：

4.根据权利要求3所述的方法，其特征在于，所述脑连接表征包括所述正向预测网络和所述负向预测网络在所述预设大尺度脑网络上的节点度、边数据、边权强度、网络强度、中心性指标中的一种或多种的组合；

5.根据权利要求4所述的方法，其特征在于，将所述正向预测网络和所述负向预测网络的空间分布与人脑空间基因表达图谱进行映射得到分子注释表征，包括：

6.根据权利要求3所述的方法，其特征在于，在建立每一核心症状节点对应的连接组预测子模型之后，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，在得到所述症状条目评分对应的症状评分矩阵之前，所述方法还包括：

8.根据权利要求1所述的方法，其特征在于，所述重要性指标包括期望影响值、强度、中介中心性、接近中心性中的至少一种；

9.一种精神障碍核心症状多尺度预测模型构建装置，其特征在于，包括：

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任意一项所述的方法。