本研究的主要作者包括来自南京林业大学的Hao Zhang、Li Zhang，东南大学附属中大医院的Xiaoyun Liu、Yonggui Yuan，江苏卫生健康职业学院的Yue Ma，以及南京航空航天大学的Daoqiang Zhang。该研究发表于Elsevier旗下的学术期刊《Neural Networks》第196卷（2026年），是一篇关于脑疾病诊断的原创性研究论文。
这项研究属于医学影像分析与人工智能的交叉科学领域。研究的核心背景在于，静息态功能磁共振成像（resting-state functional MRI, rs-fMRI）已被广泛应用于脑疾病的诊断与分析，然而，现有的基于学习的方法高度依赖大量带有精确标注的数据。在临床环境中，获取这些标注需要投入大量的时间和精力，成本极高，这成为了制约该领域发展的瓶颈。为了解决这一数据标注稀缺的难题，本研究提出了一种名为GCSC-TA的图级对比学习框架。该框架通过创新的图拓扑增强策略，旨在减少模型对大规模标注数据的依赖，同时提高对如重度抑郁症和自闭症谱系障碍等脑疾病的诊断准确性与可解释性。研究的目标是开发一个能够利用有限标注数据，即可有效捕捉个体特异性及群体间异质性脑网络特征的诊断模型。
该研究的详细工作流程主要包含四个核心组成部分，并在私有和公开数据集上进行了严格验证。第一部分是脑网络构建。研究利用rs-fMRI数据，为每个受试者构建一个无向时空脑网络G和一个功能连接矩阵A。在这个网络中，节点代表基于解剖自动标记模板划分的特定感兴趣脑区，边则代表脑区之间的功能连接。具体构建过程不仅计算同一时间点不同脑区之间血氧水平依赖信号的皮尔逊相关系数以建立空间连接，还考虑了同一脑区在连续时间点上的连接，以此建模动态功能连接，从而在空间和时间两个维度上全面捕捉大脑特征。
第二部分是本研究的核心创新点：自我感知与跨样本图拓扑增强。该模块旨在为每个受试者的原始脑网络生成两个互补的增强视图。第一个是自我感知拓扑增强，它专注于受试者自身的大脑网络拓扑结构。该过程首先通过Z-pool层（结合了最大池化和平均池化操作）对输入的脑网络进行处理，以突出关键的信息传递节点和连接，最大池化保留了最强的功能连接，而平均池化则保留了网络的整体拓扑特征。随后，处理后的表征被送入一个时空图卷积编码器，用以提取时空交互特征，最后通过Sigmoid激活函数过滤无关连接并强化关键连接，从而生成一个专注于个体特异性拓扑结构的增强图G_SA。第二个是跨样本拓扑增强，其目的是通过利用不同样本间的特征交互来放大受试者间的功能异质性。该过程首先将输入的批次图数据沿批次-时间和批次-空间维度进行交互。以时间维度为例，它会将原始图旋转并进行Z-pool操作，以整合不同样本在时间轴上的信息，捕捉受试者间的差异。随后同样通过时空图卷积编码器提取特征，并用Sigmoid函数调整连接权重。最终，将从时间维度和空间维度获得的跨样本增强图G2,t和G3,s通过加权平均的方式进行融合，得到最终的跨样本增强图G_CA。此操作并非为了合成生物学上真实的大脑图，而是作为一种结构化的流形级正则化方法，模拟受试者间的拓扑差异性，强制编码器学习到对受试者异质性具有鲁棒性且可泛化的表征。
第三部分是图级对比学习。与常见的节点级或边级对比学习不同，本研究在图级别上应用了一个最小-最大对比损失函数来优化模型。其核心思想是，最大化原始脑网络G与其自我感知增强图G_SA之间的表征相似度，以保留个体特有的疾病相关连接特征；同时，最小化原始脑网络G与其跨样本增强图G_CA之间的表征相似度，以放大群体间的拓扑差异。通过整合这两种策略，最小-最大对比损失能够有效地平衡个体特异性特征的保留和群体差异性特征的放大，从而增强模型的判别能力。
第四部分是下游的脑疾病诊断任务。框架将对比损失与传统的分类交叉熵损失结合起来，形成一个联合目标损失函数，通过一个超参数λ来平衡两个损失项的贡献。模型通过对原始脑网络G应用卷积操作和Sigmoid激活函数来获得分类概率，并通过最小化联合损失来优化整个网络。
在实验验证阶段，研究使用了两个rs-fMRI数据集。第一个是重度抑郁症私有数据集，包含64名健康对照和107名抑郁症患者。第二个是公开的ABIDE数据集，选取了其中纽约大学站点的数据，包含105名健康对照和79名自闭症谱系障碍患者。所有数据均经过标准的预处理流程，如头动校正、空间标准化、平滑、滤波等。研究设置了多个实验，包括MDD患者与健康对照的二分类、按症状严重程度（中度MDD、重度MDD）与健康对照的三分类，以及ASD患者与健康对照的二分类。实验采用了五折交叉验证，并以准确率、AUC、精确率和召回率作为评估指标。
研究的主要结果如下：在MDD的二分类任务中，GCSC-TA框架取得了81.22%的准确率和83.58%的AUC，显著优于所有对比方法。例如，其准确率比图神经网络方法UFA-Net高出5.55个百分点，比另一种对比学习方法UCGL高出6.89个百分点。在更具挑战性的MDD三分类任务中，GCSC-TA也以70.75%的准确率拔得头筹。在ABIDE数据集的ASD二分类任务中，GCSC-TA的性能同样卓越，准确率达到82.05%，AUC为85.46%，比性能第二的UCGL方法在准确率上高出4.55个百分点。统计显著性检验表明，这些性能提升均具有统计学意义。这些结果直接支撑了研究的核心结论：通过双重图增强策略和图级对比学习，GCSC-TA框架能够在有限的标注数据下，更有效地捕捉脑疾病相关的功能连接异常模式。后续的消融实验进一步证明了各个组件不可或缺的作用。例如，移除对比损失模块的变体，其准确率大幅下降，这验证了图级对比学习的有效性；仅使用跨样本增强的变体虽然能带来一定的性能提升，但会模糊个体特异性特征，而仅使用自我感知增强的变体则能更好地保留这些精细差异，两者的整合达到了最佳性能。
本研究的结论及价值在于，GCSC-TA框架成功地缓解了基于rs-fMRI的脑疾病诊断中高质量标注数据稀缺的问题。其科学价值体现在提出了一种全新的自我感知与跨样本图增强策略，以及专为保留原始脑拓扑结构而设计的最小-最大对比损失函数，这为图对比学习在医学影像分析中的应用提供了新的理论视角。其应用价值在于，该模型不仅实现了对MDD和ASD的精确诊断，还通过识别与疾病相关的判别性功能连接，增强了模型的可解释性和临床实用性。研究发现，在MDD中，异常连接主要涉及双侧同源脑区、脑岛和海马旁回等，这与情绪处理和记忆功能紊乱有关；在ASD中，异常连接则集中于小脑、颞叶和杏仁核，这与患者在社交、情绪和语言方面遇到的挑战相符。这为理解这些疾病的病理机制提供了潜在的生物标志物。
本研究的亮点总结如下：第一，提出了一个创新的GCSC-TA图级对比学习框架，有效降低了对大量标注数据的依赖。第二，开创性地设计了自我感知和跨样本两种互补的拓扑增强策略，前者的增强网络与原始网络高度相似，增强了个体特异性表达，后者的增强网络则偏离原始网络，放大了受试者间的异质性，这种双视图策略是研究的最大特色。第三，设计的最小-最大对比损失函数能够在图级别上有效适应这两种增强网络，无需将图数据投影到其他空间，从而保护了脑网络拓扑结构的完整性。此外，研究还通过可视化增强后的脑网络，定性（通过可视化图像）和定量（通过计算R平方值）地验证了两种增强策略的预期效果，使得整个框架的工作机制更加透明和可靠。