学术研究报告：基于稀疏池化的多层级图神经网络在帕金森病识别中的应用
第一作者及机构
本研究的核心作者包括Xiaobo Zhang（西南交通大学计算机与人工智能学院）、Yuxin Zhou、Zhijie Lu（西部战区总医院神经内科）、Donghai Zhai（通讯作者，西南交通大学）、Haonan Luo、Tianrui Li（IEEE高级会员）以及Yang Li（北京航空航天大学自动化科学与电气工程学院）。研究发表于2023年的《IEEE Transactions on Neural Systems and Rehabilitation Engineering》（第31卷）。
学术背景与研究目标
帕金森病（Parkinson’s Disease, PD）是一种与运动功能障碍相关的神经退行性疾病，65岁以上人群患病率达2%-3%。目前临床诊断主要依赖病史和体格检查，但非运动症状（如认知障碍）的客观评估仍存在挑战。磁共振成像（MRI）数据为PD诊断提供了重要依据，但传统机器学习方法（如支持向量机SVM和卷积神经网络CNN）在处理MRI数据时面临两大问题：
1. 图构建效率低：现有图神经网络（Graph Neural Networks, GNNs）依赖耗时8小时以上的MRI序列预处理（如FreeSurfer工具）；
2. 小数据过拟合：医学数据样本量有限，GNN模型易过拟合。
为此，本研究提出SparsityAtopK模型，结合快速图构建方法和基于稀疏性的池化层（SparsityPool），旨在实现高效、精准的PD分类。
研究流程与方法
1. 数据预处理与图构建
- 数据集：采用帕金森病进展标记倡议（PPMI）的MPRAGE序列MRI数据，包含四类样本（前驱期、SWEED组、PD组、对照组），共1032例。
- 关键点检测：通过ORB、KAZE和AKAZE三种算法提取图像特征点（各300个节点），构建邻接矩阵（8近邻连接）。预处理时间缩短至1秒内，显著优于传统方法。
- 数据集划分：80%训练、10%验证、10%测试，10次独立交叉验证以平衡类别不均衡问题。
2. SparsityAtopK模型设计
- 多层级架构：包含传播层（Propagation Layers）和池化层（Pooling Layers），通过平均池化生成全局表征。
- 传播层：基于k-GNNs规则，扩展节点信息传播范围至k阶邻域（公式1）。
- 池化层（SparsityPool）：引入结构稀疏性先验知识，优先保留邻域信息丰富的节点（公式8-9）。节点稀疏性得分η(nodeᵢ)通过邻域特征相似性计算，得分越高则信息越独特。
- 注意力机制：在池化层后加入注意力模块（attn），加权特征矩阵以增强关键节点表征。
3. 实验与对比
- 基线模型：对比SortPool、SAGPool、ASAP、GIN0和GlobalAttentionNet。
- 评估指标：平均精度（Precision）、F1分数和准确率（Accuracy）。
- 参数优化：通过随机搜索调整特征维度、池化比例、损失权重等，优化目标为三项指标的平方和根。
主要结果
1. 模型性能
- P-ORB数据集：SparsityAtopK的准确率最高（提升≥1%），但类别不均衡导致F1分数较低。
- P-KAZE/P-AKAZE数据集：KAZE和AKAZE构建的图数据综合表现更优，其中P-KAZE的Precision最高（89.7%），P-AKAZE的F1分数最高（88.3%）。
2. 消融实验
- 池化层必要性：移除池化层（S-GCN）或注意力模块（SparsityTopK）均导致性能下降，验证了多层级设计和稀疏性先验的有效性。
3. 参数敏感性
- 关键参数：批大小（Batch Size）和优化器（Adam/Adagrad）对性能影响最大。例如，P-ORB数据集的最佳批大小范围为100-250，P-AKAZE为0-100。
结论与价值
1. 科学价值
- 提出首个结合稀疏性先验的多层级GNN框架，解决了小数据过拟合问题。
- 开发了高效的MRI图构建方法（1秒/样本），为医学图像分析提供了新范式。
2. 应用价值
- 在PD早期筛查中，模型对前驱期和SWEED组的分类准确率显著提升，有望辅助临床诊断。
- 开源代码和详细参数设置（见表II）增强了研究的可重复性。
研究亮点
1. 创新方法：SparsityPool通过邻域稀疏性评分动态筛选节点，优于传统基于排序或注意力的池化方法。
2. 跨领域应用：模型在通用图分类任务（如MUTAG数据集）中表现稳定，验证了其泛化能力。
3. 技术细节透明化：公开参数敏感性分析（图7-10），为后续研究提供调参参考。
未来方向
作者计划扩展多模态数据（如脑电图和临床指标）融合，并探索更高效的图构建方法以进一步提升精度。
注：本研究得到中国国家自然科学基金（61961038、61976247）等多项资助支持。