樹結(jié)構(gòu)組套索人腦超網(wǎng)絡(luò)構(gòu)建與分類

聞敏， 劉永艷， 李瑤， IBEGBU Nnamdi Julian， 郭浩

(太原理工大學(xué)信息與計算機學(xué)院， 晉中 030600)

由世界衛(wèi)生組織2020年的調(diào)查統(tǒng)計得知，全世界已有3.5億人為抑郁癥患者，根據(jù)相關(guān)新聞報道，每年有1%～6%的抑郁癥發(fā)病率[1]，抑郁癥患者人數(shù)逐年上升，抑郁癥已成為危害人類健康的第二大殺手，其癥狀為情緒低沉、興趣衰減、行動積極性下降。在中國，抑郁癥還未被列入門診醫(yī)療保險慢性疾病的范疇，高額的心理咨詢費用也未被歸入醫(yī)保報銷領(lǐng)域。抑郁癥不僅會對患者的身心造成極大的傷害，勢必也會對患者的家庭造成不小的經(jīng)濟壓力。近年來，全球性的抑郁癥患者比例的大幅度上升引起了世界各國的精神疾病研究人員的關(guān)注。由于精神疾病影響大腦的認知功能，而神經(jīng)成像的宗旨也是在對精神疾病患者與正常人的大腦圖像進行分類。而這能夠在不同腦區(qū)之間的連接中確定精神疾病患者大腦的變化。腦區(qū)之間的連接是由神經(jīng)成像數(shù)據(jù)，例如磁共振成像(magnetic resonance imaging，MRI)技術(shù)產(chǎn)生的,并使用功能、結(jié)構(gòu)或形態(tài)網(wǎng)絡(luò)[2]表示。

對于現(xiàn)有的研究，許多方法被提出來用從靜息態(tài)功能磁共振成像(functional magnetic resonance imaging，fMRI)技術(shù)獲取的數(shù)據(jù)上進行腦網(wǎng)絡(luò)建模，如基于相關(guān)[3]的方法，基于稀疏[4]的表示方法等。而以上所提出的腦功能連接模型反映出腦區(qū)之間信息傳遞的二階關(guān)系。隨著功能性腦網(wǎng)絡(luò)研究的發(fā)展，有研究表明大腦區(qū)域之間的聯(lián)系，不僅是兩個腦區(qū)之間的信息傳遞，同樣包含大腦區(qū)域的多個腦區(qū)之間信息的高階傳遞。針對研究與抑郁癥相關(guān)的生物標志物，這種傳遞的高階信息對于提高識別抑郁癥的準確性至關(guān)重要。為此，一些研究人員開始使用超網(wǎng)絡(luò)來描述腦網(wǎng)絡(luò)[5]。

超網(wǎng)絡(luò)是基于超圖理論發(fā)展而來的，是圖的延伸，在超網(wǎng)絡(luò)中，一個腦區(qū)對應(yīng)一個節(jié)點，多個腦區(qū)構(gòu)成一條超邊，即在大腦區(qū)域內(nèi)，多個腦區(qū)進行信息傳遞作用。然而目前大多數(shù)的超網(wǎng)絡(luò)的構(gòu)建方法均是利用套索(least absolute shrinkage and selection operator，Lasso)[6]方法進行超網(wǎng)絡(luò)建模。然而Lasso的L1范數(shù)存在每個變量都是獨立估計的缺點，因此沒有考慮變量之間的關(guān)系和結(jié)構(gòu)。研究人員更希望所有相關(guān)的腦區(qū)被作為一個組來選擇[7]。假定腦區(qū)分組為可用的先驗知識，并且它是以整組而不是用單個腦區(qū)作為變量選擇的單位。但該方法僅能在組級上選擇變量，缺乏選擇組間變量的能力，對于組套索來說它被擴展到一個更一般的設(shè)置[8]。在稀疏模式上有各種更復(fù)雜的結(jié)構(gòu)，而不是簡單的分組信息。然而研究表明，生物信息領(lǐng)域不僅存在重疊組的情況(即某種功能可由多個腦區(qū)共同協(xié)作來實現(xiàn)，且某一腦區(qū)在同一時間下參加多種特定功能)，還存在復(fù)雜的樹組結(jié)構(gòu)問題[9]。為了解決這個問題，本研究考慮了大腦區(qū)域中的樹組結(jié)構(gòu)問題，并引入了樹結(jié)構(gòu)組套索方法來改進超網(wǎng)絡(luò)的構(gòu)建。

為了增強組間差異表征能力，以準確地發(fā)現(xiàn)生物標志物以及疾病的病理機制，現(xiàn)提出利用樹結(jié)構(gòu)組套索方法構(gòu)建腦功能超網(wǎng)絡(luò)，力求創(chuàng)建更有效及更可靠的超網(wǎng)絡(luò)模型。該方法屬于層級樹結(jié)構(gòu)，包括根節(jié)點(所有腦區(qū))，中間節(jié)點(對腦區(qū)進行分組)以及葉子節(jié)點(組中高度相關(guān)的一些腦區(qū))。既可以通過事先定義分組，也可以事先對每組進行細劃，相當(dāng)于組級以及組間都采用了預(yù)設(shè)組進行劃分，還可以解釋組間的覆蓋情況。

主要工作包括：①利用樹結(jié)構(gòu)組套索的方法進行腦功能超網(wǎng)絡(luò)建模；②利用超網(wǎng)絡(luò)定義的三個局部聚類系數(shù)對構(gòu)建的腦功能超網(wǎng)絡(luò)進行特征提取；③利用KS(Kolmogorov & Smimov)[10]非參數(shù)檢驗方法選取局部聚類系數(shù)指標間顯著性差異的特征；④使用支持向量機(support vector machine, SVM)[11]對顯著性差異特征進行分類，提供更準確和相關(guān)的成像標記。

1 材料和方法

研究可分為以下幾個流程進行：數(shù)據(jù)采集及預(yù)處理、使用基于樹結(jié)構(gòu)組套索的方法進行腦功能超網(wǎng)絡(luò)建模、計算三個不同定義的聚類系數(shù)進行特征提取、采用非參數(shù)檢驗方法選擇最具差異性特征以及采用SVM方法進行分類。研究流程如圖1所示。

MDD表示抑郁癥患者；NC表示正常人；AAL表示自動解剖圖1 研究流程Fig.1 Research flow chart

1.1 材料與分析

1.1.1 被試信息

被試數(shù)據(jù)在山西醫(yī)科大學(xué)第一附屬醫(yī)院的放射科醫(yī)生在嚴格遵守山西醫(yī)學(xué)倫理委員會(編號：202013)和赫爾辛基宣言要求的情況下采集完成，并且數(shù)據(jù)采集工作之前，嚴格遵守漢密爾頓量表(Hamilton depression rating scale，HAMD)的規(guī)定，征得被試及其法定監(jiān)護人的同意，和每位被試簽訂書面協(xié)議。實驗研究對象包括38名第一次發(fā)病，且未服用過藥物的抑郁癥患者(major depression disorder，MDD)和28名正常對照組(normal control，NC)，總共66名被試。研究所有的被試均使用西門子3T系統(tǒng)進行功能磁共振(fMRI)掃描。被試的具體數(shù)據(jù)信息如表1所示。

表1 被試的具體信息Table 1 Specific information of participants

1.1.2 數(shù)據(jù)采集和預(yù)處理

為了保證數(shù)據(jù)的準確性，在掃描過程中，采用軟海綿將被試的頭部固定住以防因被試頭部晃動而產(chǎn)生數(shù)據(jù)誤差。除此以外，被試者要求在掃描過程中輕閉眼睛，腦部呈放空狀態(tài)，但不能陷入昏睡并保持思維清晰。實驗掃描參數(shù)設(shè)置如下：回波時間為30 ms，射頻重復(fù)時間為2 000 ms，層厚為4 mm，層間間隔為0，視野范圍為192 mm×192 mm,翻轉(zhuǎn)角為90°，存儲矩陣為64 mm×64 mm。

數(shù)據(jù)處理在MATLAB平臺環(huán)境下進行，且本研究利用SPM8 (http://www.fil.ion.ucl.ac.uk/spm)來完成本實驗的數(shù)據(jù)預(yù)處理工作。對于每一名被試，數(shù)據(jù)預(yù)處理步驟如下：由于fMRI信號的不穩(wěn)定，每名受試者的前10卷功能時間序列會被丟棄。在對數(shù)據(jù)樣本采集時需要時間層校正和頭動校正，即除去超出允許頭動范圍的被試數(shù)據(jù)，頭動允許范圍為頭動小于等于3 mm且轉(zhuǎn)動小于等于3°，最終有2組抑郁癥及正常對照組數(shù)據(jù)因超過頭動允許范圍被丟棄，即最終得到66例被試數(shù)據(jù)。隨后，將圖像通過仿射變換標準化為3 mm×3 mm×3 mm2的蒙特利爾神經(jīng)研究所(montreal neurological institute，MNI)標準空間中。

1.2 超網(wǎng)絡(luò)構(gòu)建

1.2.1 稀疏線性回歸模型

采用稀疏表示[12]方法，利用 rs-fMRI時間序列構(gòu)建成腦功能超網(wǎng)絡(luò)。首先通過自動解剖標記(anatomical automatic labeling，AAL)[13]模板將大腦區(qū)域分割為90個感興趣解剖區(qū)域(regions of interest，ROI)，每個腦半球被均分為45個ROI，每一個ROI可被定義為腦網(wǎng)絡(luò)中的一個節(jié)點。在構(gòu)建超網(wǎng)絡(luò)之前，需要提取各腦區(qū)的時間序列信號。其次，白質(zhì)信號、頭動校正以及平均腦脊髓液(cerebro-spinal fluid，CSF)對信號的影響巨大，為減小實驗的誤差性，需要對每個腦區(qū)的平均時間序列進行回歸分析；最后，根據(jù)計算得到的殘差來構(gòu)建腦功能超網(wǎng)絡(luò)。

稀疏線性回歸模型具體表示為

(1)

1.2.2 基于樹結(jié)構(gòu)組套索方法進行腦功能超網(wǎng)絡(luò)建模

標準的Lasso方法假設(shè)所有的特征都是獨立的，但這并不適用于真實的特征是復(fù)雜關(guān)聯(lián)的情況。具體來說，研究表明腦區(qū)間經(jīng)常協(xié)同工作來實現(xiàn)某種功能[14]，因而套索方法缺乏組效應(yīng)的解釋能力。鑒于腦區(qū)間存在的組結(jié)構(gòu)問題，已有的研究針對群體結(jié)構(gòu)問題引入了分組的方法模型[15]，如彈性網(wǎng)(elastic net)方法、組套索(group Lasso，gLasso)[16]方法。但彈性網(wǎng)方法存在的主要問題之一是依據(jù)數(shù)學(xué)公式自動選擇組，缺乏腦區(qū)間組結(jié)構(gòu)先驗知識的表達?；诖?，組套索解決了自動組選擇效應(yīng)的問題，也就是可以人為事先定義分組情況，但該方法僅能在組級上選擇變量，缺乏選擇組間變量的功能。因此稀疏組套索(sparse group Lasso，sgLasso)方法[17]被提出用來改善腦功能超網(wǎng)絡(luò)的構(gòu)建。該方法實現(xiàn)了能在組級和組間自由選擇變量的功能，但這種方法在選擇組間變量時是依據(jù)數(shù)學(xué)模型自動選擇組中一些腦區(qū)，認為與所選腦區(qū)存在信息交互。為了提高特征選擇的性能，有必要獲取模型中特征之間的結(jié)構(gòu)關(guān)系。

圖2 樹組結(jié)構(gòu)示例圖Fig.2 Example diagram of tree group structure

為了體現(xiàn)出樹形結(jié)構(gòu)的層次空間關(guān)系，在進行超網(wǎng)絡(luò)建模之前，先使用K-means[18]聚類方法將所有腦區(qū)聚類為K組，即樹的第二層每個節(jié)點代表對腦區(qū)進行聚類操作得出的一個分組，每個葉子結(jié)點代表組中高度相關(guān)的腦區(qū)。隨后進行樹結(jié)構(gòu)組套索方法的超網(wǎng)絡(luò)模型建模。

正則化目標函數(shù)優(yōu)化模型為

(2)

1.3 特征提取

在得到了由樹結(jié)構(gòu)組套索構(gòu)建的腦功能超網(wǎng)絡(luò)之后，要對已構(gòu)建好的腦網(wǎng)絡(luò)拓撲進行特征提取，用以分析網(wǎng)絡(luò)屬性。本實驗的特征提取由3個指標的計算組成，而這三個指標的計算為三個不同定義、不同關(guān)系的聚類系數(shù)[21]。從目前已有的研究中可以看出，聚類系數(shù)在很大程度上被用來評估超網(wǎng)絡(luò)局部屬性的性能。有關(guān)公式為

(3)

(4)

式(4)中：HCC2(v)為與節(jié)點v相連的鄰居節(jié)點的數(shù)量；N(v)為超邊中包含節(jié)點v及其相鄰節(jié)點的集合。如果?ei∈E且u,t,v∈ei，則I′(u,t,v)=1。

(5)

式(5)中：HCC3(v)計算超邊之間的重疊量，即指節(jié)點v的相鄰超邊，鄰居區(qū)域的密度由鄰居區(qū)域的超邊重疊量來表示；|e|為超邊中包含的節(jié)點數(shù)目；S(v)表示超邊的集合，在這些超邊中都包含節(jié)點v，S(v)={ei∈E:v∈ei}。

1.4 特征選擇與分類

特征選擇是機器學(xué)習(xí)中最常見的問題之一，其目的是選擇最具判別性的特征進行分類和預(yù)測。從已構(gòu)建好的腦功能超網(wǎng)絡(luò)中提取出270個特征，但這些特征并不都是最具差異性特征，它可能會存在不相關(guān)或者虛假的屬性，因此要選取最具顯著性差異的特征并將其成功應(yīng)用于分類。具體地說，分別對由根據(jù)抑郁癥患者和正常對照組這兩種被試構(gòu)建出的腦功能超網(wǎng)絡(luò)中分別進行HCC1、HCC2、HCC3局部屬性指標計算，隨后將得到的270個節(jié)點屬性特征由已通過偽發(fā)現(xiàn)率(false-discovery rate，F(xiàn)DR)(q=0.05)[22]方法矯正的Kolmogorov & Smimov nonparametric test進行組間非參數(shù)檢驗，最后經(jīng)由KS檢驗方法得出的每個被試的p<0.05的最具差異性特征，隨后將選取的特征用于分類。

在完成特征選擇以后，以選取的最具顯著性的差異特征作為分類標準構(gòu)建分類模型，由此實現(xiàn)有效分類。因而在將分類特征進行分類前，需將具有顯著性差異的特征選擇出來，并將其計算得出它的算術(shù)平均值與標準差，降低因數(shù)據(jù)的不精確而導(dǎo)致的實驗誤差性，以此來提高分類準確率。分類問題作為機器學(xué)習(xí)下的一個重要問題，是為了對已有類標簽的訓(xùn)練集數(shù)據(jù)展開訓(xùn)練，構(gòu)建相應(yīng)的分類模型。在實驗分類過程中，使用SVM作為分類器，并使用腦網(wǎng)絡(luò)建模方法中常用的徑向基函數(shù)(radial basis function, RBF)作為核函數(shù)，并采用留一交叉驗證方法對分類模型的性能進行驗證。

2 實驗和結(jié)果

2.1 差異性腦區(qū)

為探究精神疾病大腦區(qū)域發(fā)病的病理機制，從抑郁癥患者和正常人的大腦區(qū)域中提取出差異性腦區(qū)。首先計算由樹結(jié)構(gòu)組套索方法構(gòu)建的超網(wǎng)絡(luò)得到的三個局部聚類屬性指標，并用KS非參數(shù)檢驗方法對其做分析研究，本方法下共得到10個MDD與NC之間最具顯著性差異的腦區(qū)，它們分別是：是右側(cè)眶部額上回(ORBsup.R)、右側(cè)補充運動區(qū)(SMA.R)、左側(cè)眶內(nèi)額上回(ORBsupmed.L)、右側(cè)眶內(nèi)額上回(ORBsupmed.R)、右側(cè)海馬旁回(PHG.R)、左側(cè)楔葉(CUN.L)、右側(cè)緣上回(SMG.R)、右側(cè)尾狀核(CAU.R)、左側(cè)豆?fàn)顨ず?PUT.L)、左側(cè)顳橫回(HES.L)。選擇出來的最具差異性腦區(qū)在目前已有的關(guān)于抑郁癥分類研究中已得到充分驗證。康嘉慧等[23]研究證明了與健康對照組相比，青少年抑郁癥患者的右側(cè)眶部額上回的低頻振幅(amplitude of low frequency fluctuation，ALFF)值顯著升高。王利娟等[24]研究證明患有睡眠障礙的抑郁癥患者與健康對照組相比在右側(cè)補充運動區(qū)的局部一致性(regional homogeneity，ReHo)值顯著增加。Ying等[25]研究證明晚發(fā)性抑郁癥(late-onset depression，LOD)原發(fā)性病變的ALFF廣泛分布于左側(cè)眶內(nèi)額上回。李璐莎等[26]研究證明與健康對照組相比，抑郁癥患者的右側(cè)眶內(nèi)額上回的ALFF值在降低。Rolls等[27]研究證明了與未用藥的抑郁癥患者相比，接受藥物治療的抑郁癥患者的海馬旁回的功能連接性較低。Peng等[28]研究證明了焦慮性抑郁癥患者的左側(cè)楔葉的灰質(zhì)體積大于健康對照組。Chen[29]等研究證明了與健康對照組相比，伴有抑郁癥的早泄患者右側(cè)緣上回的淋巴結(jié)參與減少。Filip等[30]研究證明了右側(cè)尾狀核區(qū)域的灰質(zhì)體積的增加與核心評估分數(shù)顯著相關(guān)。王智等[31]研究證明了與健康對照組相比，刺激前治療難治性抑郁癥患者的左側(cè)豆?fàn)顨ず说墓δ苓B接較高。Hall等[32]研究證明了與健康青少年對照組相比，患有重度抑郁癥的青少年在左側(cè)顳橫回區(qū)域中看到可怕的面孔時具有較低的激活性。通過樹結(jié)構(gòu)組套索方法構(gòu)建的腦功能超網(wǎng)絡(luò)選取的MDD與NC之間最具差異性的腦區(qū)名稱及p值對應(yīng)表以及使用BrainNet軟件將最具差異性腦區(qū)映射到皮質(zhì)表面的分布圖分別如表2及圖3所示。綜合分析看，本研究提取到最具差異性腦區(qū)與之前的研究結(jié)果基本一致，對抑郁癥診斷有著重要的意義。

2.2 分類表現(xiàn)

為有效研究新方法的性能優(yōu)劣，基于樹結(jié)構(gòu)組套索方法構(gòu)建出的腦功能超網(wǎng)絡(luò)通過準確率、敏感度、特異度以及BAC(balanced accuracy)這四個方面來評估所建的模型的分類性能。分類準確率定義為抑郁癥患者及正常對照組可以被正確分辨的概率；靈敏度定義為抑郁癥患者可以被成功分辨為抑郁癥病人的概率；特異度定義為正常對照組可以被成功分辨為正常人的概率。為避免由數(shù)據(jù)集不平衡導(dǎo)致的膨脹性能[33]，將敏感度和特異度的算術(shù)平均值來表示BAC，以此來減少實驗的誤差性。

表2 顯著差異腦區(qū)及其p表Table 2 Table of significantly different brain regions and their p

圖3 差異腦區(qū)分布Fig.3 Differential brain area distribution

綜合評估了該研究所述的方法構(gòu)建的超網(wǎng)絡(luò)的分類性能，并結(jié)合傳統(tǒng)的腦網(wǎng)絡(luò)的構(gòu)建方法、套索方法、彈性網(wǎng)方法、組套索方法以及稀疏組套索方法進行了對比分析的實驗。由于本方法具有預(yù)設(shè)組效應(yīng)，在對超網(wǎng)絡(luò)建模以前采用的K-means聚類方法進行分組時具有隨機性，為了保證避免在對腦區(qū)分組時出現(xiàn)因分組隨機性而導(dǎo)致的實驗結(jié)果產(chǎn)生誤差，在每個實驗分組下分別以相同的操作重復(fù)做了50次實驗，隨后將每組實驗的結(jié)果進行算術(shù)平均運算得到均值作為實驗的最終結(jié)果進行對比分析。為了對比出基于本方法進行的腦功能超網(wǎng)絡(luò)建模和其他方法之間的差異性，本研究僅使用三種聚類系數(shù)進行特征選擇以及使用RBF核函數(shù)的分類方法，不同腦網(wǎng)絡(luò)的構(gòu)建方法以及新的超網(wǎng)絡(luò)建模方法的分類結(jié)果如表3所示。結(jié)果表明，樹結(jié)構(gòu)組套索方法下的分類性能要高于傳統(tǒng)的腦網(wǎng)絡(luò)構(gòu)建方法、套索方法、彈性網(wǎng)方法、組套索方法以及稀疏組套索方法。

表3 各方法的分類表現(xiàn)對比Table 3 Comparison of classification performance of each method

3 參數(shù)討論

參數(shù)調(diào)優(yōu)在整個實驗過程中是一項不可或缺的環(huán)節(jié)，參數(shù)的選擇會對實驗的最終結(jié)果造成不可忽視的影響。在本研究中，主要涉及在樹結(jié)構(gòu)組套索方法下構(gòu)建的超網(wǎng)絡(luò)選取的聚類數(shù)K和正則化參數(shù)λ對于最終的分類效果的差異性。為了分析這兩個參數(shù)對于抑郁癥患者和正常對照組之間分類效果的影響，以樹結(jié)構(gòu)組套索進行超網(wǎng)絡(luò)建模構(gòu)的方法進行了對比分析實驗。

3.1 聚類參數(shù)K的影響

為了體現(xiàn)出預(yù)設(shè)組的效應(yīng)，本實驗在創(chuàng)建超邊前實選用了K-means[17]聚類算法進行聚類。參數(shù)k為在基于樹結(jié)構(gòu)組套索方法下構(gòu)建腦功能超網(wǎng)絡(luò)的分組數(shù)。分組數(shù)K值的選擇會影響到使用該方法構(gòu)建的網(wǎng)絡(luò)拓撲結(jié)構(gòu)同時也會對最終的分類結(jié)果產(chǎn)生影響。

為了探究分組數(shù)K對構(gòu)建的網(wǎng)絡(luò)模型產(chǎn)生的影響，將聚類參數(shù)k的取值范圍設(shè)置為[3,90]，步長間隔為3，總共30組實驗，在每一組的實驗下構(gòu)建樹結(jié)構(gòu)組套索方法的腦功能超網(wǎng)絡(luò)。根據(jù)聚類算法的特性，它在每次的聚類過程中都會進行一次中心點的移動，它會將中心點移動到每一次劃分的包含其他節(jié)點的平均位置上。因而在本部分的實驗，分組數(shù)K的選取具有不確定性，聚類的結(jié)果會因分組數(shù)K的選取而隨之改變，進而導(dǎo)致該方法構(gòu)建的網(wǎng)絡(luò)拓撲結(jié)構(gòu)及其最終分類結(jié)果產(chǎn)生不穩(wěn)定的差異性。為了確保實驗的準確性，在每個實驗分組K下進行了50次實驗，并對每組實驗的結(jié)果求其均值作為該組的最終結(jié)果，最后將各組的實驗結(jié)果進行比對分析。如圖4所示，當(dāng)K=57時，有最高的分類準確率，達到87.25%。

圖4 聚類參數(shù)k對應(yīng)的分類結(jié)果Fig.4 Classification result of clustering parameter k

3.2 正則化參數(shù)λ的影響

構(gòu)建樹結(jié)構(gòu)組套索腦功能超網(wǎng)絡(luò)時通過設(shè)置λ來控制模型的稀疏度，即不同的λ會產(chǎn)生不同的超邊，進而產(chǎn)生不同的分類效果。采用升序的組合方法，共測試9組λ，它們分別為{0.1}, {0.1,0.2}, {0.1,0.2,0.3}, …, {0.1,0.2，…,0.9}，分別采用這9組λ進行網(wǎng)絡(luò)建模，并選取最具判別性特征并進行分類。分類結(jié)果如圖5所示，結(jié)果表明，在λ采用{0.1,0.2，…,0.9}時，有最高的分類準確率，為87.25%，表明分類準確性可能隨著λ個數(shù)的增加而提高。

圖5 正則化參數(shù)λ對應(yīng)的分類結(jié)果Fig.5 Classification result of regularization parameters λ

4 結(jié)論

近年來，靜息態(tài)腦功能超網(wǎng)絡(luò)已廣泛應(yīng)用于腦部精神疾病的分類研究中。腦病變并非嚴格集中在一個地方，其周圍區(qū)域也有助于臨床診斷。現(xiàn)有的超網(wǎng)絡(luò)建模方法在進行超網(wǎng)絡(luò)構(gòu)建時不能有效考慮層次組結(jié)構(gòu)問題。鑒于這個問題，提出樹結(jié)構(gòu)組套索方法構(gòu)建超網(wǎng)絡(luò)。可以通過事先定義分組，即對組級以及組間都采用了預(yù)設(shè)組進行劃分，并可以對組間的重疊性做出解釋。結(jié)果顯示樹結(jié)構(gòu)組套索方法下得到的分類效果要優(yōu)于其他方法，能更好地體現(xiàn)人腦中復(fù)雜的層次組結(jié)構(gòu)關(guān)系。

盡管在目前的研究中，實驗已取得較好的結(jié)果，但仍存在局限性。首先，在構(gòu)建模型之前采用K-means聚類方法進行分組時具有一定的隨機性，即使求取多次實驗結(jié)果的均值來減小誤差，但仍給實驗結(jié)果帶來一定的影響；其次，考慮到抑郁癥患者的隱私性問題，實驗的數(shù)據(jù)采集具有一定的難度，因而本實驗采用數(shù)據(jù)集的受試者數(shù)量較少。以上的幾個局限問題有待于日后的研究來改進。