作者：文献的主要研究者包括 Chunde Yang、Panyu Wang、Jia Tan、Qingshui Liu 和 Xinwei Li，分别来自 Chongqing University of Posts and Telecommunications 的 School of Computer Science and Technology 和 School of Bioinformatics。这项研究发表于 2021 年的《Computers in Biology and Medicine》期刊，并在 2021 年 10 月 19 日上线。
本研究属于脑科学与人工智能交叉领域以及生物信息学的应用范畴。自闭症谱系障碍 (Autism Spectrum Disorder, ASD) 是一种常见的儿童神经发育性障碍，其特征包括社交互动困难、语言交流障碍、兴趣狭窄以及刻板行为。当前临床对于自闭症的诊断主要依赖于医生对病症表面的观察与经验判断，这可能导致易于误诊的问题。因此，研究者提出了基于功能性脑网络（Functional Brain Network, FBN）和图神经网络（Graph Neural Network, GNN）的计算诊断方法，希望利用更精确的自动化手段显著提升诊断精度。
近年来，功能性核磁共振成像（Resting-State Functional MRI, rs-fMRI）技术的进步，使得基于大脑功能网络的分析能够捕捉脑区间的微妙异常改变，为自闭症诊断的智能化提供了新的方向。然而，由于功能脑网络的结构构建存在挑战，需要有效的算法进行优化，同时也需要研究这些网络拓扑结构对于分类模型的影响。因此，本研究旨在探索一种结合 FBN 和 GNN 的新型诊断策略，通过高效构建脑功能网络并利用图网络分类框架，实现 ASD 的精确诊断。
研究的核心目的是提出一种新颖的功能性脑网络构建方法——基于 Pearson 相关性的空间约束表达（Spatial Constraints Representation, PSCR），并验证其在分类精度上的优势。此外，通过对基于不同功能脑网络结构进行比较，探讨这些网络对图神经网络分类性能的影响。
本研究使用了 Autism Brain Imaging Data Exchange (ABIDE I) 数据集，其中包括 1112 名受试者的神经影像学数据、解剖学信息及表型数据（年龄、性别等）。筛选后，共选取 871 名样本（468 名健康对照，403 名 ASD 患者，年龄范围：6-64 岁）。使用 Configurable Pipeline for the Analysis of Connectomes (C-PAC) 对数据进行了预处理，如运动校正、切片时间校正、全球均值强度归一化等，并利用 Harvard-Oxford Atlas 对功能影像进行脑区分割，提取每个感兴趣区（Region of Interest，ROI）的时间序列数据。
研究提出了基于 PSCR 的脑网络构建方法。该方法融合了传统 Pearson 相关性模型作为基础条件，同时引入空间约束和 L1 稀疏性约束。其数学模型表达如下：
[ \text{argmin}_W \left( \frac{1}{2} | W - X^\top X |_F^2 + \frac{\lambda_1}{2} \text{tr}(W(D-S)W^\top) + \lambda_2 | W |_1 \right) ]
其中，( X ) 是从各 ROI 提取的时间序列数据，( S ) 表示空间距离对功能连接拓扑的约束，( D ) 是指标相关矩阵的行和构成的对角矩阵，( W ) 表示脑区间连接强度的网络权重矩阵。
研究者设计了一种基于 Proximal 方法的优化算法克服 L1 范数的非凸问题，同时通过 Soft Thresholding 操作实现权重矩阵的稀疏化。
为实现自闭症与正常对照的分类，本研究采用了 Graph Attention Network (GAT) 作为分类框架。GAT 的主要特性包括： 1. 结合邻居加权特征聚合，通过注意力机制计算邻居节点的重要性； 2. 使用软最大函数对权重进行归一化，减少噪声边的干扰； 3. 将多头注意力机制与线性变换结合以增强特征表达能力。
具体实现中，研究者使用两层 GAT 处理脑图结构，每层使用不同的注意力头个数和特征维度，随后通过多层感知机（MLP）对归一化结果进行分类。交叉熵损失函数、Dropout 正则化以及 Adam 优化器也在网络训练过程中使用。
本研究首先在传统 Support Vector Machine (SVM) 分类框架下验证了 PSCR 方法的有效性。实验显示，基于 PSCR 构建的脑网络在 SVM 分类中取得了 67.28% 的均值准确率，与 Pearson 相关性、稀疏表示（Sparse Representation, SR）、低秩稀疏（Sparse Low Rank, SLR）及空间约束表达（Spatial Constraint Representation, SCR）相比表现最好，并且在 ROC 曲线和混淆矩阵中均获得了更大的识别区域曲线面积（Area Under Curve, AUC）。
在图神经网络分类中，PSCR 方法结合 GAT 模型实现了更高的分类性能，达到了 72.40% 的准确率，敏感性为 71.15%，特异性为 75.00%。相比其他脑网络构建方法，PSCR-图网络方法显著优于其他方法，如仅基于 Pearson 相关性的分类模型准确率仅为 65.50%。
该研究首次明确了不同功能脑网络构建方法对图神经网络分类性能的影响。PSCR 方法显著增强了功能脑网络的区分能力，且结合图注意网络的高级分类框架，能够更好地利用非欧几里得域内的图结构信息进行分类，大幅提升 ASD 自动诊断的精度。
未来可从以下方向进行优化： 1. 进一步消除不同成像点之间协议差异性引发的数据噪声。 2. 引入群体约束信息（如 Lasso 或 Group Constraint），增强同一组别图结构的一致性。 3. 探索多源影像和表型信息（如 MRI、PET 等）的联合学习方法。 4. 研究年龄、性别对脑网络结构及 ASD 分类精度的影响。
这项研究的成功不仅为计算机辅助脑疾病诊断提供了重要支持，同时也为功能脑网络构建与图神经网络的结合探索了新的方向，为科学研究和临床应用都具有重要启发价值。