在人工智能与医学影像交叉领域，脑影像分析一直是极具挑战性的前沿方向。如何从高维、小样本、噪声显著的脑影像数据中高效提取有效特征，成为制约脑疾病早期诊断与机制研究的关键瓶颈。在CMAI 2022聚类网络专题对话中，南京航空航天大学计算机学院副院长、IAPR Fellow张道强教授分享了其团队在脑影像特征提取方面的系统性思考与最新进展。

从“降维”到“判别”：脑影像特征提取的核心矛盾

张道强指出，脑影像（如结构MRI、功能MRI、弥散张量成像）天然具有高维小样本特性。一个典型的脑影像样本包含数十万甚至上百万个体素，而临床队列往往只有数百例。直接使用原始体素进行分类或聚类，不仅计算代价高，且极易过拟合噪声。因此，特征提取的目标不是简单地压缩维度，而是找到既保留生物可解释性、又具备判别能力的低维表示。

“早期我们常用主成分分析（PCA）或独立成分分析（ICA）做无监督降维，但它们提取的往往是方差最大的方向，未必与疾病标签相关。”张道强解释道。为此，其团队提出了一系列监督与半监督特征提取方法，如基于稀疏学习的判别分析，通过引入L1正则化迫使权重集中在少数关键脑区，既提升了分类精度，又自动定位了疾病相关的生物标记物。

结构化稀疏与多模态融合：让特征“可解释”

在CMAI 2022报告中，张道强重点介绍了结构化稀疏学习在脑网络特征提取中的应用。传统稀疏方法将每个脑区视为独立特征，忽略了脑区之间的空间邻接或功能连接关系。而结构化稀疏（如Group Lasso、Graph Lasso）可以将具有相似功能的脑区作为一个组进行联合选择，从而提取出更具神经生物学意义的模块化特征。

多模态脑影像（如sMRI + fMRI + DTI）的融合提取也是热点。张道强团队提出基于多视图学习的特征融合框架，将不同模态视为同一脑部系统的不同视图，通过协同正则化挖掘模态间的互补信息。实验表明，在阿尔茨海默病（AD）和轻度认知障碍（MCI）分类中，多模态融合特征比单模态特征的分类准确率平均提升5%-10%。

聚类网络视角：从特征提取到脑网络重构

CMAI 2022聚焦“聚类网络”，张道强认为，特征提取与聚类网络存在深刻的内在联系。脑影像本身可以看作一个复杂网络——脑区为节点，连接为边。高效特征提取的一个新思路是：不直接对原始信号降维，而是先通过聚类方法构建稀疏、鲁棒的脑功能网络，再在网络拓扑属性（如聚类系数、模块度、节点效率）上提取特征。

“聚类在这里扮演双重角色：一是对体素或时间序列进行聚类，得到感兴趣区域（ROI）；二是对脑网络中的节点进行社区发现，挖掘分层模块结构。”张道强说，“我们最近的工作利用深度聚类网络同时学习特征表示和聚类分配，实现了端到端的脑网络重构，在AD分类中取得了优于传统两阶段方法的效果。”

未来方向：自监督学习与动态特征提取

张道强认为脑影像特征提取面临三大趋势：一是自监督学习，利用大量无标签脑影像预训练模型，再微调用于小样本疾病分类；二是动态特征提取，捕捉脑功能连接随时间的动态变化，而非静态平均；三是因果特征提取，从相关性的生物标记物走向因果性机制特征。

“高效提取的本质，是在高维噪声中寻找低维流形，同时保持对临床任务的最大判别力与对神经科学的最大可解释性。”张道强道，“这需要计算机科学、统计学与神经影像学的深度协作，也是CMAI这类跨学科平台的价值所在。”

通过这场对话，可以清晰看到：脑影像特征提取正从“暴力降维”走向“结构化、多模态、可解释、自监督”的新范式，而聚类网络方法在其中扮演着越来越核心的角色。