Artemis：解剖级因果干预，消除多模态神经影像混杂因素
多模态神经影像技术通过融合fMRI的功能连接与DTI的结构连接，结合图神经网络（GNN）分析脑网络，为脑疾病诊断提供了非侵入式手段。然而，年龄、性别等人口统计学因素会系统性混杂脑连接与临床结果之间的关系，导致GNN模型学习到虚假关联而非因果不变表征。现有因果GNN方法虽在图建模层面引入因果性，但其因果机制是领域无关的，未能针对临床神经影像数据中固有的真实混杂因素进行调整。此外，脑网络基于脑图谱分区构建，不同脑区对人口统计学因素的敏感性各异，亟需区域感知的调整策略。
为此，来自多所机构的研究团队提出了Artemis——一种区域级别的因果框架，通过为每个脑区独立学习轻量化的混杂表征，实现因果干预。该框架作为一个即插即用模块，可兼容任意GNN主干网络，并充分利用多模态功能和结构特征进行图推理。
在三个基准数据集上的实验表明，Artemis显著优于代表性的GNN基线方法：
- ADNI（阿尔茨海默病诊断）
- OASIS（痴呆分期）
- HCP（性别分类）
多项补充实验进一步验证了其统计显著性和神经科学可解释性。
核心创新
- 区域级因果干预：针对每个脑区独立学习混杂因子表征，精细调整因果效应。
- 轻量即插即用：模块化设计，不改变GNN主干结构，易于集成。
- 多模态融合：同时利用fMRI和DTI信息，增强图推理的鲁棒性。
行业背景与意义
当前，AI在医疗影像中的应用面临两大挑战：混杂因素干扰和模型可解释性不足。Artemis通过引入解剖级因果干预，直接回应了这两个痛点。其区域感知的设计更贴近神经科学实际——不同脑区对年龄、疾病的敏感性确实存在差异，例如海马体对阿尔茨海默病高度敏感，而额叶在衰老中变化显著。这种细粒度的因果建模不仅提升了预测准确性，还为医生提供了可解释的脑区级分析依据。
局限与展望
论文目前基于脑图谱分区（如AAL、Desikan-Killiany），未来可探索更精细的皮层分区或功能性网络定义。此外，混杂因素主要考虑了年龄和性别，实际应用中可能还需纳入教育水平、基因型等更多变量。Artemis的模块化设计为扩展预留了空间。
小结
Artemis代表了因果图神经网络在神经影像领域的一次重要进展。它从“领域无关”走向“区域感知”，从“黑箱预测”走向“可解释因果”，为脑疾病研究和临床决策支持提供了更可靠的工具。随着多模态数据获取技术的普及，这类方法有望在早期诊断、疗效预测等场景中发挥更大价值。
