本研究题为《Multi-Atlas Brain Network Classification through Consistency Distillation and Complementary Information Fusion》，由来自新加坡南洋理工大学计算与数据科学学院的Jiaxing Xu（许嘉兴）、Mengcheng Lan、Xia Dong（董霞，通讯作者）、Qingtian Bian、Yiping Ke，以及新加坡国立大学公共卫生学院的Kai He，和南洋理工大学认知神经影像中心与李光前医学院的Wei Zhang共同完成。该论文发表于 Journal of LaTeX Class Files 2021年8月第14卷第8期，并可在arXiv预印本服务器上获取（arXiv:2410.08228v2）。研究团队提出了一个名为AIDfusion（图谱集成蒸馏与融合网络）的新型框架，旨在利用功能性磁共振成像（functional magnetic resonance imaging，fMRI）数据提升多图谱脑网络的分类性能。
本研究属于计算神经科学与医学影像分析的交叉领域，其核心科学问题是神经系统疾病（如阿尔茨海默病、帕金森病、自闭症谱系障碍等）的客观辅助诊断。在神经科学领域，利用静息态功能磁共振成像（rs-fMRI）构建脑网络是该领域的关键技术。该技术通过计算不同脑区之间血氧水平依赖信号的相关性，构建以脑区为节点、连接强度为边的功能连接网络。此过程需要使用一个特定的脑图谱将全脑划分为若干感兴趣区域。然而，目前并不存在一个用于脑网络分类的“金标准”图谱。不同的图谱基于不同的解剖学或功能学假设进行脑区划分，单一图谱存在固有缺陷：第一，部分体素可能未被分配给任何特定脑区，导致信息丢失；第二，每个图谱内感兴趣区的信号由内部所有体素平均得到，可能会掩盖细节信息。
为克服这些局限，近期研究开始探索融合多个图谱信息的方法，通常采用早期或晚期特征融合策略。然而，这些现有方法存在两个关键缺陷：首先，它们忽视了对不同图谱间一致性的约束，导致模型可能提取到图谱特异性信息，削弱了对疾病相关模式的建模能力；其次，它们在整个表征学习过程中缺乏感兴趣区级别的信息交互，这限制了模型辨识不同图谱间互补信息的能力。针对这两大难题，本研究提出了AIDfusion框架，目标是通过图谱一致性信息蒸馏和跨图谱互补信息融合，实现更精准、更高效的多图谱脑网络分类。
本研究的方法学核心是提出的AIDfusion框架，其工作流程主要包含三个创新模块：解耦变换器、图谱间消息传递，以及主体和群体层面的双重一致性约束。研究使用了已公开发布并经预处理的四个rs-fMRI数据集，涵盖自闭症谱系障碍、阿尔茨海默病、帕金森病和轻度创伤性脑损伤，所有受试者的脑网络均依据Schaefer（100个感兴趣区）和AAL（116个感兴趣区）这两种代表性图谱构建。
1. 解耦变换器与身份嵌入。 该模块是AIDfusion处理输入数据的第一步。首先，针对脑网络高密度、全连接的特性，研究者认为通用的位置编码成本高昂且冗余。因此，他们提出了一种可学习的“身份嵌入”方法。该方法为每个图谱中的每一个感兴趣区节点分配一个独立、可学习的向量，确保不同受试者中对应于同一图谱同一感兴趣区的节点具有相同的身份表示，这借鉴了自然语言处理中词嵌入的思想。该嵌入与原始节点特征结合后输入解耦变换器。 解耦变换器的核心是引入一组称作“不兼容节点”的可学习标记（token）。这些标记被加在节点序列上，并通过格拉姆-施密特过程初始化以保证其彼此正交。训练时，自注意力机制在整个节点与外置标记序列上执行。其工作假设是：不兼容节点能够吸引并聚合图谱中所特有的、不一致的信息，从而让感兴趣区节点专注于编码跨图谱一致、与疾病相关的连接模式。为强化这一分离效果，研究者设计了一个正交损失函数，强制不同图谱的不兼容节点表征彼此正交，以此过滤掉图谱特异性信息。在变换器输出端，不兼容节点被丢弃，仅保留净化后的感兴趣区节点表征。
2. 图谱间消息传递机制。 这是一个用于实现感兴趣区级别信息交互和互补信息融合的创新模块。其工作原理是基于空间邻近性，在不同图谱的感兴趣区之间构建连接。具体而言，研究者定义了每个感兴趣区的空间坐标为对应体素的质心，并计算跨图谱各感兴趣区之间的欧氏距离。利用K最近邻算法，为每个感兴趣区连接另一图谱中距离最近的K个感兴趣区，从而构建起一个跨图谱的稀疏连接图。之后，在此跨图结构上应用图卷积网络执行消息传递。这一机制使得一个图谱中的节点能够融合来自另一个图谱空间近邻节点的互补信息，填补了现有方法缺乏中间层感兴趣区交互的技术空白。
3. 主体与群体层面的一致性约束。 为了从更高层级确保跨图谱表征的连贯性，研究者设计了两个层面的约束。在主体层面，模型对每个图谱分别应用可微分池化层（DIFFPOOL），将节点层次化地聚类为超节点，以捕获高阶模式。在此过程中引入熵正则化防止过平滑的聚类分配。随后，采用对比损失函数，将同一受试者基于不同图谱生成的表征视为正样本对，拉近它们在特征空间中的距离，同时将不同受试者的表征推开。 在群体层面，研究者提出了一种更为巧妙的一致性约束。该约束不直接强制不同图谱生成的图级表征完全一致，而是维护一个“群体关系图”。该图描述了在一个批次内，基于同一图谱计算出的各受试者表征之间的相似性结构。损失函数使得基于两个图谱分别得到的群体关系图尽可能相似。其直观理念是：即便不同图谱对疾病的绝对表征不同，它们所反映的受试者间相对（不）相似性关系应该保持一致。最后，模型的总损失由分类交叉熵损失与上述所有损失项加权求和构成，实现端到端的联合优化。
本研究对比了AIDfusion与多达11种基线模型，涵盖传统机器学习、通用图神经网络、专用于脑网络的单图谱模型和最新的多图谱模型。
1. 分类性能。 在4个数据集上，AIDfusion均一致性地取得了最优分类准确率。例如，在数据量较小的脑损伤数据集上，AIDfusion的准确率达到73.67%，相比表现最好的多图谱基线方法提升了6.77%，这充分证明在样本量受限的应用场景中，高效的信息利用尤为关键。在自闭症数据集上的详细评估还显示，AIDfusion在所有指标（精确率、召回率、F1分数、AUC-ROC）上均表现优异，尤其在召回率上提升显著。这点具有重要的临床价值，因为辅助诊断要求尽可能识别出所有潜在患者，漏诊的代价远高于假阳性。 2. 跨站点泛化能力。 在模拟真实世界部署场景的分布外泛化实验中，测试集包含来自模型未见过的临床站点的数据。结果显示，AIDfusion依然稳健地优于其他多图谱方法，证明了其提取的疾病生物标志物具有跨人群的泛化能力，而非局限于特定站点的数据偏差。 3. 可解释性分析。 通过可视化变换器层的注意力图谱，研究发现AIDfusion能够识别出与现有神经科学文献高度一致的脑区连接作为疾病生物标志物。例如，在阿尔茨海默病分析中，模型同时关注到了视觉网络和背侧注意网络之间的连接，以及默认模式网络内部的连接，这些发现分别得到了先前多项研究的支持。更有趣的是，AIDfusion能够在不同图谱中突出其特异的连接模式，如Schaefer图谱更关注默认网络，而AAL图谱则更侧重额叶网络，这直观地解释了模型如何有效捕获并整合不同图谱的互补信息。消融实验中的案例对比进一步揭示，若不使用“不兼容节点”，两个图谱的注意力分布会严重失衡甚至过平滑，无法提取出有区分力的连接模式，这证实了该模块在过滤图谱特异性噪声中的关键作用。 4. 效率与消融分析。 效率实验表明，得益于更精简的参数和更快的收敛速度，AIDfusion的训练总时间在多数数据集上远低于基线模型。详尽的消融实验逐一验证了身份嵌入、正交损失、图谱间消息传递、主体及群体一致性约束等每一个组件的有效性，其中群体一致性约束对性能的贡献最为显著。
本研究得出结论，提出的AIDfusion框架是一种有效、高效、且具有高度可解释性的多图谱脑网络分类方法。其科学价值在于率先将表征学习中的“一致性蒸馏”理念引入多图谱融合领域，通过解耦变换器和多层次约束机制，为如何处理来自异构图谱的信息提供了新的方法论。同时，图谱间基于空间关系的消息传递机制为图谱间信息交互提供了一种更精细、更符合神经解剖学直觉的融合范式。其应用价值在于，AIDfusion不仅为阿尔茨海默病、自闭症谱系障碍等神经系统复杂疾病的早期、精准辅助诊断提供了强有力的潜在工具，特别是在小样本临床数据上展现出的巨大优势，而且其强大的跨站点泛化能力和提取可解释生物标志物的能力，为其向真实临床环境的转化应用迈进了一大步。研究团队已将代码开源，旨在推动多图谱脑网络分析领域的进一步发展。
本研究的亮点可概括为以下几点：1）方法新：首创性地将解耦表征学习、图间消息传递与多层次一致性约束整合为统一框架，解决了多图谱融合中的一致性与互补性难题；2）性能优：在多个跨疾病数据集上，不仅分类精度全面提升，召回率优势尤为突出，且在分布外泛化场景下表现稳健；3）效能高：模型参数少，收敛快，训练效率显著高于现有方法；4）可解释：模型能自动挖掘出与权威神经科学发现相吻合的，且具有图谱特异性和互补性的连接模式生物标志物，为临床应用提供了信任基础。