目前抑郁症已成为严重的全球性卫生问题，全球有近3亿人罹患抑郁症，近十年来患者增速约18%，它已经成为人类的第二杀手，仅次于癌症。2019年发表的中国精神卫生调查显示，成人抑郁症终身患病率高达到3.4%。但抑郁症是一种异质性综合征，以临床症状评估为抑郁症诊断的关键指标并不稳定。困难聚焦在对其发病机制、客观诊断标记和高效治疗这三个重要的临床科学问题的深层求解上。已有多家研究机构联合构建涵盖多个学科层面的综合数据库，为抑郁症的研究提供了重要的信息资源，但针对这种大规模多源异构数据，建模还处于探索阶段，还没有通用且被广泛认可的分析工具，这严重阻碍了对抑郁症病理生理机制的深入研究。本项目组一直致力于开发临床级别的人工智能辅助诊疗评估的系统，着力实现大数据数理科学、多模态信息处理技术、临床疾病智能诊断的三方闭环互通。为此，基于全维度多源异构数据，我们拟提出一种多任务稀疏学习网络框架，开展联合学习，利用时空图神经网络挖掘多类数据之间的重要性、互解释性、互补性，利用张量计算建立任意维度变量间的融合机制，同时使网络轻量化。进一步建立挖掘抑郁症发病机制的因果分析系统，获取客观明确的疾病的量化指标、 解析遗传、行为、生理与疾病的相关关系。经过大规模多中心的独立验证，这种具有共享特性的临床级AI辅助诊疗系统有望获得良好的可解释、鲁棒性和泛化能力，有潜力成为一种抑郁症诊断的通用工具。

课题目标：

一. 学习和掌握生物医学大数据清洗与特征表示技术

     1. 数据清洗技术

     2. 数据预处理

       a) 数据结构化； b) 文本变量处理； c) 缺失值处理

     3. 特征筛选

         a) 离散型变量特征筛选；b) 连续性变量特征筛选

二. 学习和掌握基于多源异构数据的医学人工智能系统的构建和训练

      1. 非结构化数据处理子模块

         a) 功能网络：图论学习、图卷积神经网络的构建；b) 形态学特征提  

            取：多尺度图像特征表示网络的建立。

       2. 结构化数据处理子模块

         a) LSTM; b) 注意力机制时间序列的Encoder-Decoder体系结构建立

       3. Hybrid Model

         a) 多种神经网络模型的结合;  b) 多种数据类型融合；c) 多维时间

            序列数据挖掘中的相似性度量方法的掌握。