本团队前期研究已证实SLE患者存在脑灰质结构-功能耦合及脑网络SC-FC耦合的异常，且这些异常与情绪障碍、认知损害等临床症状密切相关。本研究旨在基于前述研究发现，创新性地构建轻量级Micro-DenseNet深度学习模型，利用脑结构-功能耦合及SC-FC耦合特征实现SLE患者与HCs的智能分类，验证多模态脑成像耦合特征辅助SLE智能诊断的可行性，探索人工智能技术在SLE神经影像智能诊断中的应用潜力，为开发基于脑影像的SLE智能诊断工具提供模型与方法学基础。

纳入在昆明医科大学第一附属医院就诊，符合纳排标准的SLE患者及性别、年龄相匹配的HCs，其中脑灰质结构-功能耦合分析纳入SLE患者204例、HCs 103例，脑网络DTI-功能耦合分析纳入SLE患者183例、HCs 93例。所有受试者均行3D-T1WI、DTI及rs-fMRI，对sMRI、DTI、rs-fMRI数据行标准化预处理，并基于前期工作筛选出最具区分度的8维脑区结构-功能耦合特征及DTI-功能耦合特征。针对数据SLE患者与HCs比例约为2:1类别不平衡问题，采用分层抽样与随机过采样策略处理训练集。设计并训练一个总参数量约300的轻量级二分类神经网络（Micro-DenseNet-8/2），采用Adam优化器、L2正则化及早停策略进行模型优化。通过100次独立运行的重复实验，以准确率、宏平均F1分数、加权平均F1分数、灵敏度、特异度、精确率等指标全面评估模型性能。

基于脑灰质结构-功能耦合特征的分类模型在独立测试中平均准确率为72.25%±5.57%，宏平均F1为71.05% ± 5.39%，加权平均F1为73.03% ± 5.50%，SLE组的分类性能F1平均77.02% ± 6.14%，HCs组F1平均65.08%± 5.86%，SLE组稳定性优于HCs组；基于脑网络DTI-功能连接耦合特征的模型平均准确率为70.64%±7.76%，宏平均F1为68.37% ± 7.91%，加权平均F1为71.19% ± 7.62%，SLE组的分类性能F1平均76.82% ± 7.97%，HCs组F1平均59.91% ± 10.05%，同样显示SLE组分类效果优于HCs组。两类特征均表现出一定的分类鉴别能力，且模型在不同运行次数中性能稳定。

本研究构建的轻量级Micro-DenseNet-8/2模型能够有效利用从脑影像中提取的耦合特征，对SLE患者与HCs进行自动分类。脑灰质结构-功能耦合与脑网络DTI-功能连接耦合特征均展现出作为SLE神经影像生物标志物的潜力，其中脑灰质结构-功能耦合特征整体性能略优。该研究为开发基于脑影像的SLE辅助诊断工具提供了初步的模型与方法学基础，其轻量化的设计尤其适合于临床小样本场景的应用探索。