多模态Mamba抑郁检测网络

跨中心联邦可泛化

面向多中心rs-fMRI数据的联邦域适应框架，首次整合协同激活模式与多模态状态空间模型，在最大规模多中心数据集上验证隐私保护的抑郁识别。

何浪 · Changwei, Zhao · Yimeng, Wang · 彭正午 · 王化宁 · Feng, Zhu · 裴二成 · Chen, Haifeng · 蒋杰伟 · 蒋冬梅 · Zhang, Jie · Wang, Zhongmin · Tiwari, Prayag · 郭光昕 · 房敏

Information Fusion 2026

参数信息

Rest-meta-MDD检测准确率

67.16 %

技术优势

跨中心稳定检测

通过局部最大均值差异（LMMD）对齐源域与目标域在特征和预测空间中的分布，缓解多中心域偏移，提高模型在未见中心上的泛化能力。

数据不出本地

采用联邦学习架构，仅聚合模型参数而非原始数据，从机制上保障患者隐私与数据物理隔离，满足医疗数据合规要求。

多模态相关性捕获

基于状态空间模型的Mamba网络有效捕捉fMRI时间序列特征与非影像特征（如表型信息）之间的跨模态关联，提升检测性能。

应用场景

• 精神疾病辅助诊断：可从多中心rs-fMRI影像中自动筛查抑郁风险，辅助医生提高诊断效率与客观性。
• 脑影像分析：通过多模态Mamba网络分析fMRI时间序列与功能连接模式，挖掘抑郁相关神经影像标志物。
• 联邦域适应：利用联邦学习联合多中心建模并对齐域分布，解决数据孤岛与域偏移问题。
• 医疗数据隐私保护：通过仅聚合模型参数实现原始数据物理隔离，满足医疗数据隐私合规需求。
• 多模态融合分析：融合静息态fMRI时序特征与非影像特征，提升抑郁检测的准确性与鲁棒性。