学术研究报告：《Frontiers in Neuroscience》发表的动态功能脑网络在轻度认知障碍分析中的应用研究
一、作者与发表信息
本研究由Shipeng Wen（常州大学微电子学院）、Jingru Wang（常州大学微电子学院）、Wenjie Liu（常州工学院计算机信息工程学院）、Xianglian Meng（常州大学/常州工学院，通讯作者）及Zhuqing Jiao（常州大学计算机科学与人工智能学院，通讯作者）合作完成，于2025年6月13日发表在《Frontiers in Neuroscience》（DOI: 10.3389/fnins.2025.1597777）。研究采用开放获取模式，经美国Vitality University的Jinhuan Yue、印度BMS工程学院的Abhishek Mahesh Appaji等多位学者评审。
二、学术背景
科学领域与背景知识：
阿尔茨海默病（Alzheimer’s Disease, AD）是常见的神经退行性疾病，轻度认知障碍（Mild Cognitive Impairment, MCI）是其前驱阶段。早期诊断MCI对干预治疗至关重要，但传统静态功能连接（Static Functional Connectivity, SFC）分析方法难以捕捉脑功能网络的动态变化。动态功能连接（Dynamic Functional Connectivity, DFC）通过时间维度分析可揭示功能连接的时序波动，但现有方法存在样本量小、时间依赖性建模不足等问题。
研究目标：
1. 提出一种结合滑动窗口与时空编码的动态图循环神经网络（Dynamic-GRNN），用于MCI的早期分类。
2. 通过动态脑网络分析识别与AD病理相关的关键脑区（如海马体、杏仁核等）。
3. 验证DFC在神经退行性疾病诊断中的优越性。
三、研究方法与流程
1. 数据采集与预处理
- 数据来源：ADNI（Alzheimer’s Disease Neuroimaging Initiative）数据库的85名受试者（33名健康对照/CN、29名早期MCI/EMCI、23名AD），均具备静息态功能磁共振成像（rs-fMRI）和弥散张量成像（DTI）数据。
- 预处理：使用SPM12和DPARSF工具进行时间层校正、头动校正、空间标准化（AAL模板划分90个脑区）、滤波（0.01–0.1 Hz）等步骤。
2. 动态脑网络构建
- 滑动窗口技术：窗口宽度25–35时间点（最优参数），步长2.5–7.5，将时间序列分割为多个重叠片段。
- 节点特征提取：采用分段聚合（Slide Piecewise Aggregation, SPA）计算每个时间窗内BOLD信号均值，生成节点特征矩阵。
- 边特征计算：基于皮尔逊相关系数（Pearson Correlation Coefficient, PCC）量化脑区间的动态功能连接强度，并通过Min-Max归一化标准化。
3. 动态-GRNN模型设计
- 时空联合建模：
- 空间编码层：动态PCC作为自适应权重，调节邻居节点信息传播（公式：(h_i^{(t)} = \sigma(W \cdot [hi^{(t-1)} + \sum{j \in N(i)} e_{ij}^{(t-1)} \cdot h_j^{(t-1)}] + b))）。
- 时间递归层：通过门控机制（GRU）捕获脑网络的慢变演化特征。
- 自注意力图池化（SAGPooling）：基于跨时间窗注意力权重动态筛选关键节点（如后扣带回、内侧颞叶），减少噪声干扰。
4. 实验与验证
- 对比模型：SVM（静态特征）、BrainGNN（静态图神经网络）、Temporal-BCGCN（动态基线模型）。
- 评估指标：准确率（Accuracy）、AUC、召回率（Recall）等。
四、主要结果
分类性能：
- AD/CN分类准确率达83.9%（AUC=83.1%），较Temporal-BCGCN（81.9%）提升2.0%，显著优于静态方法（SVM: 79.8%）。
- 在MCI/CN和AD/MCI任务中，准确率分别达78.5%和75.3%，验证了动态模型对早期病理的敏感性。
关键脑区识别：
- 自注意力池化筛选出与记忆功能相关的异常脑区：左侧海马（Hip.l）、右侧杏仁核（Amy.r）、左侧顶下小叶（IPL.l）、左侧嗅皮质（Olf.l）等，与AD病理文献一致。
- 多特征融合（度中心性、介数中心性、接近中心性）进一步验证了这些区域的拓扑重要性（图3）。
消融实验：
- 动态连接（DFC）的引入使准确率从75.2%（静态GRNN）提升至80.1%。
- SAGPooling通过节点筛选将性能进一步提升至83.9%，同时降低计算复杂度。
五、结论与价值
科学意义：
- 首次将动态功能连接与时空图神经网络结合，解决了静态模型忽视时序动态性的问题。
- 提出的SPA-PCC联合建模和SAGPooling方法为脑网络分析提供了高精度、可解释的工具。
应用价值：
- 为非侵入性早期AD诊断提供了新思路，临床中可辅助识别高风险MCI患者。
- 关键脑区的发现为靶向干预（如神经调控）提供了理论依据。
六、研究亮点
方法创新：
- Dynamic-GRNN实现了脑网络时空特征的端到端联合优化，克服了传统方法时空解耦的缺陷。
- SAGPooling通过跨时间窗注意力机制动态筛选病理相关脑区，增强模型鲁棒性。
发现创新：
- 揭示了海马-杏仁核等边缘系统在AD早期动态功能连接中的特异性变化，为生物标志物研究提供了新方向。
七、局限与展望
当前样本量较小（n=85），未来需扩大至多中心数据验证泛化性；此外，可结合tau-PET等分子影像进一步探索病理与功能网络的关联。
（全文约2000字）