杜宇慧教授团队近期在《IEEE Transactions on Medical Imaging》期刊上发表文章《Mutualistic Multi-Network Noisy Label Learning (MMNNLL) Method and Its Application to Transdiagnostic Classification of Bipolar Disorder and Schizophrenia》。该期刊在中科院SCI分区为：医学1区（大类），影响因子9.8。论文第一作者为杜宇慧（单位：山西大学计算机与信息技术学院），通讯作者为杜宇慧（单位：山西大学计算机与信息技术学院），合作作者为王政（单位：山西大学计算机与信息技术学院）、牛菊（单位：山西大学计算机与信息技术学院）、王玉龙（单位：山西大学计算机与信息技术学院）、Godfrey D Pearlson（单位：Departments of Psychiatry and Neurobiology, Yale University）、以及Vince D. Calhoun（单位：Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS), Georgia State University, Georgia Institute of Technology, Emory University）。该研究获得国家自然学基金（62076157）和美国国立卫生研究院（R01MH123610）资助。

本研究提出了一种互惠互利的多网络噪声标签学习（MMNNLL）方法，旨在通过在存在潜在临床诊断偏差或错误的情况下利用神经影像学数据来提高诊断准确性。MMNNLL 有效地利用多个深度神经网络（DNN）从具有噪声标签的数据中学习，通过最大限度地提高 DNN 之间的一致性来识别和利用具有干净和噪声标签的样本。本文的贡献如下：

1. 提出了一种基于深度学习的新型噪声标签学习方法MMNNLL，该方法可以揭示具有生物学意义的亚群，这些亚群超出了精神障碍的临床诊断范围。

2. 通过使用多个DNN，MMNNLL最大限度地提高了网络之间的一致性，以更好地识别和利用干净和嘈杂的标签。

3. 在公共图像数据集上的实验表明，无论标签噪声的类型或水平如何，MMNNLL始终优于经典的噪声标签学习方法。

4. 当应用于精神分裂症和双相情感障碍患者的神经影像学数据时，MMNNLL鉴定的生物型表现出显着的组差异、更高的分类准确性和明显的临床相关性。