本研究由来自中国科学技术大学（University of Science and Technology of China）脑启智感知与认知教育部重点实验室的Wei Wang和Li Xiao（通讯作者），以及来自美国杜兰大学（Tulane University）的Gang Qu、美国乔治亚州立大学、佐治亚理工学院和埃默里大学三校合作的转化神经影像学与数据科学中心的Vince D. Calhoun、杜兰大学的Yu-Ping Wang，以及中国科学技术大学和中国科学院合肥物质科学研究院（Hefei Comprehensive National Science Center）人工智能研究院的Xiaoyan Sun共同完成。该研究成果以题为“Multiview hyperedge-aware hypergraph embedding learning for multisite, multiatlas fMRI based functional connectivity network analysis”的学术论文，发表于《Medical Image Analysis》期刊的第94卷（2024年），文章编号为103144。

学术背景 该研究隶属于医学图像分析、神经科学与人工智能交叉的领域，具体聚焦于利用功能磁共振成像（fMRI）进行脑功能连接网络（Functional Connectivity Network， FCN）分析的自动化脑疾病诊断。传统上，基于图卷积网络（Graph Convolutional Networks， GCNs）的方法将FCN视为图结构数据，在自闭症谱系障碍（Autism Spectrum Disorder， ASD）等疾病的识别中展现出潜力。然而，现有方法存在几个关键局限：首先，大多数方法使用简单图（Simple Graph）建模，只能捕捉脑区间两两（二阶）关系，而大脑活动可能存在更复杂的高阶交互。其次，在学习和表征FCN嵌入（Embedding）时，通常孤立处理每个被试，未能利用被试间（尤其是同类内和不同类间）的关联信息。第三，在涉及多中心（Multisite）fMRI数据的研究中，由不同扫描平台或协议引入的站点间异质性（Between-site Heterogeneity）常常被忽视，这可能导致模型偏差，降低其泛化能力。此外，利用多个脑图谱（Multiatlas）构建的FCN能提供互补的视角（多视图， Multiview），但如何有效整合这些多视图信息仍是一个挑战。因此，本研究旨在提出一个新颖的框架，以同时解决上述问题，提升多中心、多图谱场景下基于FCN的脑疾病诊断性能，并以ASD识别作为验证案例。

详细工作流程 本研究的工作流程围绕提出的“类别一致性与站点无关性多视图超边感知超图嵌入学习”（Class-consistency and Site-independence Multiview Hyperedge-aware Hypergraph Embedding Learning， CCSI-MHAHGEL）框架展开，主要包括以下步骤：

1. 数据准备与预处理：研究数据来自公开的多中心自闭症脑成像数据交换库（Autism Brain Imaging Data Exchange， ABIDE）。研究者选取了样本量最大的四个站点（NYU， UM1， USM， Yale）的共计355名被试，包括167名ASD患者和188名健康对照（Healthy Controls， HC）。所有静息态fMRI数据已通过标准流程预处理，包括头动校正、空间标准化、平滑和滤波。随后，使用两个不同的脑结构图谱——自动解剖标记图谱（Automated Anatomical Labeling， AAL）和哈佛-牛津图谱（Harvard-Oxford， HO）——对每个大脑进行分区，分别得到116个和111个感兴趣区（Regions of Interest， ROIs）。通过计算每对ROI的BOLD时间序列之间的Pearson相关系数并进行Fisher Z变换，为每个被试分别构建了两个FCN矩阵（AAL-FCN和HO-FCN）。

2. 超图建模与超边感知超图卷积网络（Hyperedge-aware HGCN）：

   • 超图构建：对于每个图谱（视图），研究者将FCN建模为超图（Hypergraph），而非传统简单图。在超图中，超边（Hyperedges）可以连接任意数量的顶点（ROIs），从而能够捕获多个ROI之间的高阶关系。具体构建方法为：对于每个ROI（顶点），以其自身及其K-1个最相似（基于欧氏距离定义的相似度）的邻居ROI构成一个超边。本研究设置K=3。基于所有训练被试的平均FCN矩阵，计算得到一个加权的关联矩阵（Incidence Matrix） H，用以表征超图结构。值得注意的是，为了融合类别信息，研究者分别为HC组和ASD组计算了其组平均FCN对应的关联矩阵 H_hc 和 H_pt，然后将两者拼接作为最终共享的关联矩阵 H = H_hc ∥ H_pt。这种“拼接策略”在后续实验中被证明优于简单的求和或忽略类别的构建策略。
   • 超边感知HGCN：这是本研究的核心创新之一。传统超图卷积网络（HGCN）中的超边权重通常是预先计算并固定不变的。本研究提出了“超边感知”的HGCN，能够自适应地学习每层超图卷积中的超边权重。具体而言，在每一层卷积中，首先根据上一层顶点的特征聚合得到超边特征，然后通过一个可学习的权重向量和Sigmoid函数动态生成该层的超边权重矩阵 W。这种机制使得模型能够根据学习任务灵活调整不同超边的重要性。随后，基于共享的关联矩阵 H 和自适应权重矩阵 W 进行超图卷积运算，实现顶点特征在超图结构上的传播。本研究采用了两层这样的超边感知HGCN（神经元数分别为256和64，激活函数为ReLU）来处理每个单图谱的FCN。

3. 多视图特征提取与融合：对每个图谱经过超边感知HGCN处理后的输出，分别进行行方向的最大池化（Max Pooling）和平均池化（Average Pooling），并将结果拼接，得到该图谱对应的FCN嵌入特征向量 f^(m)。为了融合两个图谱（AAL和HO）的信息，采用加权拼接的方式生成最终的“多图谱FCN嵌入” f：f = k1 f^(AAL) ∥ k2 f^(HO)，其中权重系数k1和k2非负且和为1，实验确定最优值为k1=0.3， k2=0.7，表明HO图谱的信息在本任务中更具判别力。

4. 联合学习模块（类别一致性与站点无关性）：此步骤是另一核心创新，旨在对嵌入空间进行约束，以提升判别力并消除站点影响。

   • 类别一致性模块：该模块旨在使同类被试的嵌入在特征空间中尽可能紧凑，不同类被试的嵌入尽可能分离。具体通过一个损失函数实现，该函数包含两项：一项最小化同类被试嵌入间的欧氏距离（惩罚类内差异），另一项最大化不同类被试嵌入间的距离，但设置一个边际（margin）ε以平衡两项的贡献。这鼓励了嵌入空间的判别性。
   • 站点无关性模块：该模块旨在最小化学习到的多图谱FCN嵌入与数据采集站点之间的统计依赖性，从而减轻站点异质性的不良影响。使用希尔伯特-施密特独立性准则（Hilbert-Schmidt Independence Criterion， HSIC）来衡量嵌入特征与站点独热编码向量之间的依赖性，并在训练中最小化该HSIC值。这促使模型学习到对站点变化鲁棒的特征。

5. 分类与总损失函数：将最终的多图谱FCN嵌入 f 输入到几个全连接层（128， 32， 2个神经元），最后通过Softmax分类器进行ASD/HC二分类诊断。整个框架的总损失函数是交叉熵损失、类别一致性损失和站点无关性损失的加权和：ℒ = ℒ_ce + αℒ_cc + βℒ_si，其中α和β是调节模块重要性的超参数，经实验优化设定为α=1×10^{-3}， β=5×10^{-3}。

6. 实验与评估：采用10折站点内交叉验证，重复5次，以准确率（Accuracy）、灵敏度（Sensitivity）、精确率（Precision）、F1分数（F1-score）和受试者工作特征曲线下面积（AUC）作为评价指标。将提出的CCSI-MHAHGEL与多种基线方法进行比较，包括支持向量机（SVM）、深度神经网络（DNN）、BrainNetCNN、图嵌入学习（GEL）、BrainGNN、HGCN、图注意力网络（GAT）以及多视图图嵌入学习（MGEL）和多视图超图嵌入学习（MHGEL，即CCSI-MHAHGEL去掉两个约束模块并用传统HGCN替换超边感知HGCN的变体）。此外，还进行了消融实验以验证各模块的有效性，并探讨了关键超参数的影响。

主要结果 1. 分类性能卓越：在ASD与HC的分类任务上，CCSI-MHAHGEL取得了所有对比方法中的最佳性能。具体数据为：准确率78.54%（±2.71%），灵敏度74.27%（±1.55%），精确率82.08%（±4.02%），F1分数77.03%（±2.34%），AUC 87.12%（±2.92%）。与次优方法相比，各项指标均有显著提升（例如，准确率提升超过6%），且统计检验表明提升是显著的（例如，准确率的p值为0.0086）。 2. 多视图与超图架构的有效性：实验结果支持了研究的基本假设。首先，多视图方法（MGEL， MHGEL， CCSI-MHAHGEL）普遍优于单视图方法，证实了整合多图谱信息的好处。其次，基于超图的方法（HGEL， MHGEL， CCSI-MHAHGEL）优于其对应的基于简单图的方法（GEL， MGEL），表明超图在建模脑网络高阶关系方面更具优势。 3. 超边感知HGCN及约束模块的贡献（消融实验）： * 将MHGEL中的传统HGCN替换为超边感知HGCN得到MHAHGEL，后者性能显著提升（例如准确率提升3.76%），证明了自适应学习超边权重的有效性。 * 在MHAHGEL基础上分别加入类别一致性模块（CC-MHAHGEL）和站点无关性模块（SI-MHAHGEL），性能均得到进一步提升。 * 完整的CCSI-MHAHGEL（同时包含两个模块）性能最优，表明类别一致性和站点无关性约束对于学习判别性强且稳健的嵌入是互补且至关重要的。 4. 可视化与可解释性：使用t-SNE对特征嵌入进行降维可视化显示，CCSI-MHAHGEL学习到的嵌入空间中，同类样本高度聚集，异类样本清晰分离，且站点特异性簇的现象明显减弱。这直观验证了该框架在提升判别力和减少站点依赖性方面的成功。此外，应用梯度加权类激活映射（Grad-CAM）技术，模型能够识别出对分类贡献最大的脑区（即最相关的ROIs），例如颞中回、额中回、楔前叶、舌回等。这些区域与以往自闭症神经影像学研究报告中提及的异常脑区高度吻合，为模型的预测提供了神经生物学上的可解释性。 5. 扩展实验验证：额外实验表明，当引入第三个图谱（Dosenbach160）进行三视图融合时，CCSI-MHAHGEL的性能得到进一步提升（准确率达84.70%）。在包含更多站点（19个站点，805名被试）的完整ABIDE数据集上测试，CCSI-MHAHGEL同样展现出优于基线方法的强大诊断能力，证明了其良好的泛化性。

结论与价值 本研究成功提出了一个名为CCSI-MHAHGEL的创新框架，用于解决多中心、多图谱fMRI-FCN分析中的关键挑战。该框架通过引入超边感知HGCN有效建模了脑网络的高阶复杂关系；通过类别一致性和站点无关性模块联合优化嵌入空间，增强了特征的判别力并抑制了站点变异的影响。在ABIDE数据集上的大量实验表明，该框架在自闭症识别任务上达到了先进水平，且具有良好的可解释性和泛化能力。

本研究的科学价值在于：第一，推动了图神经网络在神经影像学中的应用边界，从简单图发展到更贴合脑网络本质的超图，并创新了动态超边权重学习机制。第二，明确并系统地解决了多中心神经影像研究中长期存在的站点异质性问题，为未来类似研究提供了可借鉴的范式。第三，展示了如何将领域先验知识（类内紧凑、类间分离、站点无关）以可微损失函数的形式融入深度学习模型，引导模型学习更优的特征表示。其应用价值在于为精神类疾病的客观、精准、自动化辅助诊断提供了强有力的新工具，尤其适用于整合来自不同医疗机构、使用不同采集设备的异质性大数据，具有重要的临床转化潜力。

研究亮点 1. 方法创新性：首次提出“超边感知”的超图卷积网络，能够自适应学习超边权重，超越了传统固定权重的HGCN；创造性设计了“类别一致性”与“站点无关性”两个联合学习模块，将领域知识无缝融入端到端的学习框架。 2. 问题针对性：精准定位并系统解决了当前基于GCN的FCN分析在应对多中心、多图谱数据时的三大缺陷（忽略高阶关系、忽略被试间关联、忽略站点异质性）。 3. 性能优越性：在公开标准数据集上取得了显著的性能提升，并通过详实的消融实验和对比分析，严格验证了各个组件贡献。 4. 模型可解释性：不仅输出诊断结果，还能通过Grad-CAM定位与疾病相关的关键脑区，将“黑箱”预测与神经科学发现联系起来，增强了模型的可信度和临床实用性。

其他有价值内容 研究还讨论了当前工作的局限性及未来方向，例如：类别一致性模块仅基于特征距离，未来可融合年龄、性别等协变量；站点无关性模块可探索互信息、距离相关性等其它依赖性度量指标；当前分析的是静态FCN，未来可扩展至动态FCN建模为时空超图；以及探索Transformer架构在该框架中的应用等。这些讨论为后续研究指明了有价值的探索路径。