这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
跨模态交互图卷积网络在脑功能与结构连接组中的应用研究
一、作者及发表信息
本研究由Jing Xia、Yi Hao Chan、Deepank Girish和Jagath C. Rajapakse*（通讯作者）合作完成，作者单位均为新加坡南洋理工大学计算机与数据科学学院（College of Computing and Data Science, Nanyang Technological University）。研究发表于期刊Medical Image Analysis（2025年，第102卷，页码103509）。
二、学术背景
研究领域与动机
该研究属于神经影像与人工智能交叉领域，聚焦于利用多模态脑连接组数据（功能连接FC和结构连接SC）预测认知能力及诊断神经疾病（如帕金森病PD、阿尔茨海默病AD、精神分裂症SZ）。传统方法多依赖单一模态，且缺乏对FC与SC交互机制的建模。研究者提出，FC与SC的耦合关系（structure-function interaction）可能蕴含更敏感的生物学标记，但现有算法（如GNN）未充分挖掘这一特性。
科学问题与目标
研究旨在解决两个核心问题：
1. 如何融合FC与SC的模态特异性特征（modality-specific characteristics）与跨模态交互信息；
2. 如何提升模型可解释性，以识别与任务相关的脑区、连接及耦合关系。
最终目标是开发一种新型图卷积网络（MS-Inter-GCN），在回归（如流体智力预测）和分类（如疾病诊断）任务中超越现有方法。
三、研究方法与流程
1. 数据准备与预处理
- 数据集：
- HCP（838名受试者）：流体智力预测；
- PPMI（147名）：PD分类；
- ADNI（205名）：AD分类；
- COBRE（132名）：SZ分类。
- 影像处理：
- FC：基于静息态fMRI（rs-fMRI）计算脑区（116个ROI，AAL图谱）间的Pearson相关性，保留前10%强连接；
- SC：基于DTI纤维追踪构建脑区间的结构连接矩阵。
2. 模型架构（MS-Inter-GCN）
研究提出三阶段框架：
- 模态特异性编码-解码模块：
- 分别对FC和SC使用图卷积编码器-解码器，生成任务相关嵌入（task-relevant embeddings）。编码器为单层GCN，解码器通过全连接层约束输出接近真实标签。
- 交互模块：
- 设计瓶颈式MLP（bottleneck-like MLP）学习FC与SC对应脑区的交互权重（interactive weights），反映耦合强度。先通过卷积操作压缩嵌入维度，再经两层全连接层（含Dropout）生成权重。
- 交互图构建与预测：
- 将FC与SC的嵌入作为节点特征，交互权重作为边，构建统一图（interactive graph），最后通过GCN输出预测结果。
3. 可解释性分析
采用GNNExplainer（后验解释方法）识别关键脑区、连接及跨模态交互，生成显著性图（saliency maps）。
4. 对比实验与消融实验
- 对比方法：包括CNN（如BrainNetCNN）、GNN（如M-GCN、Joint-GCN）及Transformer（如GraphGPS）共10种基线模型；
- 消融实验：验证各模块（如交互模块、任务损失约束）的必要性。
四、主要结果
1. 性能优势
- 流体智力预测（HCP）：MS-Inter-GCN的Pearson相关系数（0.31）显著优于最佳基线（Joint-GCN: 0.29）；
- 疾病分类：PD（准确率96%）、AD（90%）、SZ（89%）均达到SOTA，统计检验（p<0.05）支持其显著性。
2. 可解释性发现
- 模态特异性标记：
- FC：前额叶、顶叶皮层对流体智力预测关键；
- SC：颞叶、扣带回及小脑贡献显著。
- 跨模态耦合异常：
- PD：前额叶-顶叶耦合减弱；
- AD：中颞叶-皮层下区域解耦；
- SZ：前额叶-颞叶-小脑耦合降低。
3. 消融实验验证
移除交互模块（w/oInter）或任务损失（w/oTaskLoss）均导致性能显著下降（p<0.05），证明多模态交互与模态特异性学习的必要性。
五、结论与价值
科学意义：
1. 首次提出融合模态特异性与跨模态交互的GCN框架，为脑连接组分析提供新范式；
2. 揭示FC-SC耦合强度与认知/疾病的关联，支持“结构支撑功能”的神经科学理论。
应用价值：
- 临床辅助诊断：模型识别出的耦合异常区域（如PD的前额叶）可作为潜在生物标记；
- 认知建模：交互权重量化脑区协同机制，助力理解高级认知的神经基础。
六、研究亮点
1. 方法创新：
- 交互模块通过瓶颈式MLP量化耦合强度，克服传统融合方法的局限性；
- 统一图结构首次将交互权重作为边属性，增强拓扑表达能力。
2. 跨学科贡献：
- 为AI可解释性（XAI）提供神经科学验证案例；
- 开源代码（GitHub）推动领域复现与拓展。
其他发现
- 数据集鲁棒性：在Power（264 ROI）和Glasser（360 ROI）图谱上表现一致；
- 节点特征对比：连接特征（优于原始影像强度）更适合GCN建模。
（注：全文约2000字，涵盖研究全流程及核心贡献，符合学术报告规范。）