《基于多任务动态图学习的脑疾病识别新方法：MT-DGL框架的突破性研究》

作者及机构
本研究由上海大学数学系Yunling Ma、海南大学计算机科学与技术学院Chaojun Zhang、上海科技大学生物医学工程学院Han Zhang、上海大学力学与工程科学学院Shihui Ying等团队合作完成，通讯作者为上海大学Di Xiong。研究成果发表于2026年《Pattern Recognition》第170卷（111922页）。

学术背景
研究聚焦于神经影像学与人工智能交叉领域，针对静息态功能磁共振成像（rs-fMRI）动态功能连接（dynamic functional connectivity, DFC）分析的两大核心挑战：
1. 滑动窗口技术缺陷：传统方法依赖固定时间窗口提取脑功能动态特征，易受窗口参数敏感性和个体执行速率异步性影响，导致特征稳定性差（如文献[12]报道的30%分类波动）。
2. 时空动态建模不足：现有动态图学习方法难以有效捕捉脑功能网络的时空演化规律（文献[20]指出其AUC仅达68%）。

研究目标提出多任务动态图学习框架（MT-DGL），通过轨迹对齐和Mamba模型创新，实现自闭症（ASD）和抑郁症（MDD）的精准识别。

研究方法与流程
1. SPD流形轨迹对齐模块
- 多尺度DFC构建：基于AAL/CC200脑图谱划分116/200个感兴趣区（ROIs），通过滑动窗口（窗长40TR，步长3TR）生成动态功能连接矩阵。采用对称正定矩阵（SPD）流形表征，通过特征值正则化（ε=1e-5）解决矩阵秩亏问题。
- TSRVF对齐算法：引入传输平方根向量场（transported square root vector field, TSRVF）方法，将个体轨迹映射至群水平模板流形（公式1-3），消除时间维度异步性。实验显示对齐后特征变异系数降低42%（p<0.001）。

1. Mamba动态图学习模块

   • 空间特征提取：采用图同构网络（GIN）聚合节点特征，通过挤压激励（SE）注意力机制生成图级表示（公式6-7）。保留30%最强连接构建稀疏脑网络，参数量减少57%。
     
   • 时序建模创新：设计选择性状态空间模型（SSM），通过输入依赖的卷积门控（公式10）和动态状态更新（公式11-12），在ABIDE数据集上实现74.9%的AUC。
     

2. 多任务学习策略

   • 联合优化脑疾病分类（交叉熵损失）和年龄预测（均方误差损失），超参数λ1=0.2、λ2=1。特征融合层将AAL/CC200双尺度特征拼接，全连接层共享表示。
     

关键结果
1. 性能对比
- 在ABIDE-NYU数据集（n=184）上，MT-DGL达到73.9%准确率（比最优基线GCN提升11.3%）和74.9% AUC（文献[18]的TDL方法为68.5%）。
- MDD识别任务中，多任务策略使F1-score提升6.2%（表3），证实年龄相关特征对疾病识别的增益效应。

1. 消融实验

   • 移除轨迹对齐模块导致ASD分类AUC下降5.1%（p=9.968e-5），验证TSRVF对个体差异的鲁棒性（图6可视化显示对齐后FC轨迹标准差减少63%）。
     
   • Mamba替换为Transformer时序列建模效率下降29%，GPU内存占用增加2.4倍（表6）。
     

2. 跨中心验证

   • 在ABIDE-UM站点（n=145）上保持69.0%准确率，显著优于静态图方法（如CNN 62.1%, p=6.337e-5），证明模型泛化能力。
     

科学价值与应用前景
1. 方法论创新
- 首创SPD流形-图神经网络-Mamba的混合架构，解决神经影像的时空异质性问题。TSRVF对齐算法可扩展至其他生理信号分析（如EEG）。
- Mamba模块实现O(L)时间复杂度的长序列建模，较传统RNN提速3.8倍（图3）。

1. 临床意义
   
   • 为ASD/MDD提供客观诊断标志物，尤其在难诊断的青少年病例中（NYU数据集中14-21岁组分类F1-score达76.2%）。
     
   • 开源代码适配多种脑图谱（如Harvard-Oxford），可快速部署至临床影像平台。
     

研究亮点
1. 首次将状态空间模型（SSM）引入动态脑网络分析，突破Transformer的二次方计算瓶颈。
2. 多任务框架揭示脑功能连接随年龄退化的疾病特异性模式（如默认模式网络连接强度与ASD严重度呈负相关r=-0.34, p<0.01）。
3. 通用性设计支持多中心数据整合，已应用于REST-MDD数据集（n=533），准确率60.3%（当前领域最优）。

局限与展望
当前版本对超高维数据（如1000+ ROIs）计算效率待优化，未来计划引入扩散模型增强轨迹对齐鲁棒性。团队正探索多模态（fMRI+DTI）融合框架，进一步揭示脑疾病的多维度机制。