在人工智能與醫學影像交叉領域，腦影像分析一直是極具挑戰性的前沿方向。如何從高維、小樣本、噪聲顯著的腦影像數據中高效提取有效特征，成為制約腦疾病早期診斷與機制研究的關鍵瓶頸。在CMAI 2022聚類網絡專題對話中，南京航空航天大學計算機學院副院長、IAPR Fellow張道強教授分享了其團隊在腦影像特征提取方面的系統性思考與最新進展。

從“降維”到“判別”：腦影像特征提取的核心矛盾

張道強指出，腦影像（如結構MRI、功能MRI、彌散張量成像）天然具有高維小樣本特性。一個典型的腦影像樣本包含數十萬甚至上百萬個體素，而臨床隊列往往只有數百例。直接使用原始體素進行分類或聚類，不僅計算代價高，且極易過擬合噪聲。因此，特征提取的目標不是簡單地壓縮維度，而是找到既保留生物可解釋性、又具備判別能力的低維表示。

“早期我們常用主成分分析（PCA）或獨立成分分析（ICA）做無監督降維，但它們提取的往往是方差最大的方向，未必與疾病標簽相關。”張道強解釋道。為此，其團隊提出了一系列監督與半監督特征提取方法，如基于稀疏學習的判別分析，通過引入L1正則化迫使權重集中在少數關鍵腦區，既提升了分類精度，又自動定位了疾病相關的生物標記物。

結構化稀疏與多模態融合：讓特征“可解釋”

在CMAI 2022報告中，張道強重點介紹了結構化稀疏學習在腦網絡特征提取中的應用。傳統稀疏方法將每個腦區視為獨立特征，忽略了腦區之間的空間鄰接或功能連接關系。而結構化稀疏（如Group Lasso、Graph Lasso）可以將具有相似功能的腦區作為一個組進行聯合選擇，從而提取出更具神經生物學意義的模塊化特征。

多模態腦影像（如sMRI + fMRI + DTI）的融合提取也是熱點。張道強團隊提出基于多視圖學習的特征融合框架，將不同模態視為同一腦部系統的不同視圖，通過協同正則化挖掘模態間的互補信息。實驗表明，在阿爾茨海默病（AD）和輕度認知障礙（MCI）分類中，多模態融合特征比單模態特征的分類準確率平均提升5%-10%。

聚類網絡視角：從特征提取到腦網絡重構

CMAI 2022聚焦“聚類網絡”，張道強認為，特征提取與聚類網絡存在深刻的內在聯系。腦影像本身可以看作一個復雜網絡——腦區為節點，連接為邊。高效特征提取的一個新思路是：不直接對原始信號降維，而是先通過聚類方法構建稀疏、魯棒的腦功能網絡，再在網絡拓撲屬性（如聚類系數、模塊度、節點效率）上提取特征。

“聚類在這里扮演雙重角色：一是對體素或時間序列進行聚類，得到感興趣區域（ROI）；二是對腦網絡中的節點進行社區發現，挖掘分層模塊結構。”張道強說，“我們最近的工作利用深度聚類網絡同時學習特征表示和聚類分配，實現了端到端的腦網絡重構，在AD分類中取得了優于傳統兩階段方法的效果。”

未來方向：自監督學習與動態特征提取

張道強認為腦影像特征提取面臨三大趨勢：一是自監督學習，利用大量無標簽腦影像預訓練模型，再微調用于小樣本疾病分類；二是動態特征提取，捕捉腦功能連接隨時間的動態變化，而非靜態平均；三是因果特征提取，從相關性的生物標記物走向因果性機制特征。

“高效提取的本質，是在高維噪聲中尋找低維流形，同時保持對臨床任務的最大判別力與對神經科學的最大可解釋性。”張道強道，“這需要計算機科學、統計學與神經影像學的深度協作，也是CMAI這類跨學科平臺的價值所在。”

通過這場對話，可以清晰看到：腦影像特征提取正從“暴力降維”走向“結構化、多模態、可解釋、自監督”的新范式，而聚類網絡方法在其中扮演著越來越核心的角色。