Publication: ГРАФОВАЯ НОВАЯ МОДЕЛЬ СЛИЯНИЯ ДАННЫХ МОЗГА И ГЕНОВ
ДЛЯ КЛАССИФИКАЦИИ ДЕПРЕССИИ
Дата
2026
Авторы
Фироз, Н.
Савостьянов, А. Н.
Journal Title
Безопасность информационных технологий
Journal ISSN
Volume Title
Безопасность Информационных Технологий
Издатель
НИЯУ МИФИ
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.
Описание
Ключевые слова
Прогнозирование психического здоровья , Машинное обучение , Сетевое моделирование , Графовые нейронные сети (GNN) , Мультимодальное обучение , Генетические маркеры , Электроэнцефалография (ЭЭГ) , Обнаружение депрессии
Цитирование
Фироз, Н., Савостьянов, А. (2026). Графовая новая модель слияния
данных мозга и генов для классификации депрессии. Безопасность информационных технологий, 33(2), 61-71. doi: http://dx.doi.org/10.26583/bit.2026.2.07