基于动态功能与有效连接的时空图神经网络在脑疾病分类中的引导融合研究
一、研究团队与发表信息
本研究由上海交通大学Dongdong Chen、Mengjun Liu、Shen Wang、Zheren Li、Lichi Zhang（通讯作者），北京师范大学Lu Bai，以及上海科技大学Qian Wang、Dinggang Shen合作完成，发表于2025年《Knowledge-Based Systems》期刊第309卷。论文标题为《Guiding Fusion of Dynamic Functional and Effective Connectivity in Spatio-Temporal Graph Neural Network for Brain Disorder Classification》。
二、学术背景与研究目标
科学领域：研究属于神经影像与人工智能交叉领域，聚焦功能性磁共振成像（fMRI）的脑网络分析及脑疾病分类。
研究动机：传统脑网络分析方法多局限于单一连接模式（功能连接FC或有效连接EC），无法全面捕捉脑网络的时空动态特性。FC反映脑区间的统计相关性，而EC描述因果性信息流，二者具有互补性。如何融合这两种连接模式以提升脑疾病诊断精度，是当前神经科学的重要挑战。
研究目标：提出一种名为DCSTN的时空图神经网络，通过动态FC与EC的融合，构建更全面的脑网络表征，用于阿尔茨海默病（AD）、自闭症谱系障碍（ASD）等脑疾病的分类。
三、研究方法与流程
1. 数据准备
- 数据集：使用ADNI（447例）、ABIDE（182例）和ADHD（257例）三个公开fMRI数据集，涵盖健康对照组（NC）、轻度认知障碍（MCI）、AD、ASD及ADHD患者。
- 预处理：采用DPARSF工具进行切片时间校正、运动校正、空间标准化（AAL90模板分割90个脑区），提取血氧水平依赖（BOLD）信号。
2. 动态双图构建
- 动态FC网络：滑动窗口（窗口长度𝑤，步长𝑠）分割BOLD信号，计算各时间片段内脑区间的Pearson相关系数，形成无向图。
- 动态EC网络：通过转移熵（Transfer Entropy）量化相邻时间窗口间脑区的因果效应，构建有向图（含自环以强调脑区自身影响）。
- 创新点：首次提出基于时间邻域的动态EC构建方法，避免传统EC模型的全局性假设局限。
3. 空间图卷积特征提取
- 方法：采用消息传递机制的空间图卷积（SGCN）分别处理FC（无向图）和EC（有向图）。通过多层邻居信息聚合，生成图嵌入表示（维度𝐹）。
- 优势：SGCN克服了传统谱图卷积对对称拉普拉斯矩阵的依赖，适用于EC的有向结构。
4. 基于交叉注意力的引导融合
- 核心设计：引入可学习的时间位置编码（Temporal Position Encoding），结合交叉注意力机制，以EC的因果链路指导FC的时空融合。
- 查询矩阵𝑄：动态FC嵌入 + 位置编码。
- 键矩阵𝐾：动态EC嵌入。
- 值矩阵𝑉：动态FC嵌入 + 位置编码。
- 输出：通过残差连接和全连接层生成分类预测（Softmax归一化）。
5. 实验设置
- 对比方法：包括静态模型（SVM、DCNN）和动态模型（ST-GCN、BrainTGL等）。
- 评估指标：准确率（ACC）、敏感性（SEN）、特异性（SPE）、F1分数及AUC。
四、主要研究结果
1. 分类性能
- ADNI数据集（NC vs MCI vs AD）：DCSTN准确率达78.6%（±2.7%），显著优于最佳对比方法BrainTGL（75.4%）。
- ABIDE数据集（ASD分类）：AUC为0.865，较传统动态FC方法提升11.8%。
- ADHD数据集：F1分数0.762，证明模型对多类脑疾病的普适性。
2. 模块有效性验证
- 特征提取模块：SGCN相比GAT（图注意力网络）和CNN，准确率提升3.7%~8.5%。
- 融合策略：引导融合较LSTM-based融合ACC提高4.3%，验证了时空位置编码的关键作用。
3. 可解释性分析
- 显著脑区识别：通过Grad-CAM可视化，发现与疾病相关的关键脑区（如MCI中的海马体、ASD中的杏仁核），与临床研究一致。
- 互补性验证：FC与EC融合可过滤单一模式的偏差区域（如ADHD中仅EC误判的枕叶区）。
五、研究结论与价值
科学价值：
1. 提出首个动态FC与EC融合框架，填补了脑网络时空联合建模的空白。
2. 开发的时间位置编码与交叉注意力机制，为时序图数据融合提供了新范式。
应用价值：
- 临床诊断：模型在AD早期识别（MCI分类）和ASD生物标志物发现中展现潜力。
- 工具开源：代码公开，支持跨中心数据验证。
六、研究亮点
1. 方法创新：动态EC的邻域因果建模与时空引导融合策略。
2. 多病种验证：在AD、ASD、ADHD三类疾病中均达到SOTA性能。
3. 可解释性：首次通过Grad-CAM揭示FC与EC的互补性脑区贡献。
七、局限性与未来方向
- 数据模态：当前仅用fMRI，未来可融合结构影像（如DTI）。
- 动态图结构：需进一步开发自适应脑网络拓扑生成算法。
（全文约2000字）