本文报告了一项针对脑疾病诊断的多模态超图注意力脑网络分析方法的研究。第一作者为南京航空航天大学计算机科学与技术学院的顾亮（Guoliang Du），共同作者包括翟向平和朱琪（通讯作者）。该研究以“Multimodal Hypergraph Attention-based Brain Network Analysis for Brain Diseases Diagnosis”为题，发表于2025年第二届数字媒体、通信与信息系统国际会议（DMCI’S 2025）的会议录中，由IEEE出版。

学术背景 该研究属于医学图像分析、计算神经科学和人工智能的交叉领域，具体聚焦于利用图神经网络进行脑网络分析以辅助脑部疾病诊断。随着功能磁共振成像（fMRI）和弥散张量成像（DTI）等多模态神经影像技术的发展，研究者能够从功能连接和结构连接两个维度构建大脑网络模型。传统方法通常将大脑网络建模为普通图（Graph），其中脑区为节点，连接为边，并利用图卷积网络（GCN）等模型提取特征。然而，神经科学研究表明，大脑具有模块化组织特性，即多个脑区形成紧密相连的功能模块以支持复杂认知功能。这种多区域之间的高阶交互关系难以用仅描述两两连接的普通图充分刻画。现有基于超图（Hypergraph）的方法虽然能建模高阶关系，但通常需要预先设定模块（或超边）的数量，这在异质性高的大脑数据中是一个不切实际的限制。因此，本研究旨在开发一种能够自适应确定模块数量、并有效融合多模态信息的新型超图神经网络框架，以更准确地捕捉大脑的高阶模块化交互模式，从而提升对癫痫等脑部疾病的诊断性能。

研究流程详述 本研究包含三个主要流程：多模态脑网络构建、自适应超图构建、以及基于超图注意力的图卷积网络（HGAT-GCN）框架设计与训练。研究数据来源于金陵医院（南京医科大学附属医院），包括114名正常对照（NC）和192名癫痫患者（其中103名为额叶癫痫FLE，89名为颞叶癫痫TLE）。

流程一：多模态脑网络构建 首先，研究者利用采集的静息态fMRI和DTI数据为每个受试者构建脑网络。 1. 数据预处理：fMRI数据使用SPM8和DPARSF工具进行预处理，包括分割、标准化、头动校正和去趋势等步骤。数据根据AAL图谱被划分为90个感兴趣区域（ROIs），每个ROI提取出长度为240个时间点的血氧水平依赖（BOLD）信号时间序列。DTI数据使用PANDA工具进行畸变校正和解剖分区，并使用TrackVis生成纤维束图像，通过计算脑区之间的纤维数量来量化结构连接强度。 2. 网络构建： * 功能网络：对于fMRI数据，计算每对ROI的BOLD信号时间序列之间的皮尔逊相关系数（Pearson Correlation Coefficient），以此作为功能连接强度，形成一个90x90的功能连接矩阵。 * 结构网络：对于DTI数据，基于纤维追踪结果，构建一个90x90的邻接矩阵A，其中每个元素𝑎𝑖𝑗代表第i个ROI与第j个ROI之间的结构连接强度（例如，纤维数量）。 最终，每个受试者的大脑被表征为一个图𝐺 = (𝑉, 𝐸)，其中节点集V代表90个ROI，节点特征矩阵X ∈ ℝ^(90×𝑚)来自fMRI时间序列（m为时间点长度），邻接矩阵A来自DTI结构连接信息。

流程二：自适应超图构建 此流程是本研究的创新核心之一，旨在不预先指定聚类数量的情况下，从多模态数据中动态学习大脑的模块化结构并构建超图。 1. 超边隶属度学习：研究者设计了一个基于图神经网络（GNN）的自适应模块。该模块以功能特征矩阵X和结构邻接矩阵A作为输入，通过一个GCN层学习一个超边隶属度矩阵𝑃 ∈ ℝ^(𝑁×𝐾_𝑚𝑎𝑥)，其中N为节点数（90），𝐾_𝑚𝑎𝑥是一个预设的最大潜在超边（模块）数量。矩阵P的每一列代表一个潜在的超边，P的每个元素𝑃_𝑖𝑘表示节点i属于第k个超边（模块）的程度。 2. 伯努利-泊松模型优化：为了确保学习到的超边隶属度能够有效重建原始的图结构（即节点间的连接关系），研究者引入了伯努利-泊松（Bernoulli-Poisson）模型作为损失函数ℒ_𝐵𝑃。该损失函数鼓励存在连接（边）的节点对具有较高的超边隶属度内积，而不存在连接的节点对具有较低的内积。这驱使模型学习到能够解释观测连接模式的模块化结构。 3. 可学习门控机制与超边生成：为了动态决定哪些潜在超边是有效的，研究者为每个潜在超边k引入了一个可学习的门控值𝑔𝑘 ∈ [0,1]，通过Sigmoid函数得到。有效的超边隶属度矩阵𝑃̃通过𝑃̃:,𝑘 = 𝑔𝑘 ∙ 𝑃:,𝑘计算。然后，通过设定一个阈值𝜇，将𝑃̃_𝑖𝑘 > 𝜇的节点i归入超边𝑒_𝑘。这样，最终的超图ℋ = (𝑉, ℰ)就构建完成了，其中ℰ是由激活的超边组成的集合。此外，为了促进模型的稀疏性并防止过拟合，在损失函数中加入了ℓ1正则化项ℒ_𝑠𝑝𝑎𝑟𝑠𝑒来惩罚不必要的超边激活。

流程三：超图注意力图卷积网络（HGAT-GCN）框架 在构建好超图后，研究者提出了一个超图注意力网络来学习具有判别性的节点（脑区）表征，用于最终的分类任务。 1. 超图注意力卷积：对于超图中的每个节点i，模型计算其与所属各个超边𝑒_𝑘的注意力系数𝛼_𝑖𝑘。注意力系数的计算不仅考虑节点自身的特征𝑥_𝑖（经过线性变换W），还考虑超边𝑒_𝑘的聚合特征𝑧_𝑘（定义为该超边内所有节点特征的均值）。通过一个共享的注意力向量𝑎，计算节点特征与超边特征的拼接向量的LeakyReLU激活值，再经Softmax归一化得到注意力系数𝛼_𝑖𝑘。这允许模型为每个节点自适应地分配不同超边的重要性。 2. 节点表征更新：节点i的更新表征ℎ_𝑖通过对其所属所有超边的聚合特征𝑧_𝑘进行加权求和（权重为𝛼_𝑖𝑘），再经过一个非线性激活函数σ得到。这个过程使节点能够从高阶的模块交互中获取信息。 3. 模型训练与损失函数：整个模型的最终损失函数ℒ由三部分组成：分类损失ℒ_𝑐𝑙𝑠（如交叉熵损失）、超图构建的伯努利-泊松损失ℒ_𝐵𝑃和稀疏性正则化损失ℒ_𝑠𝑝𝑎𝑟𝑠𝑒，即ℒ = ℒ_cls + λ1ℒ_sparse + λ2ℒ_bp。模型使用Adam优化器进行训练，并通过网格搜索选择超参数。

主要结果 研究在包含306名受试者（NC, FLE, TLE）的癫痫数据集上进行了四组二元分类任务的实验：NC vs. FLE, NC vs. TLE, FLE vs. TLE, 以及 NC vs. (FLE & TLE)。采用10折交叉验证进行评估。 1. 分类性能：如表I所示，本研究提出的HGAT-GCN方法在所有四个分类任务上均取得了最优的分类准确率（Accuracy）、曲线下面积（AUC）和F1分数。具体而言，在NC vs. (FLE&TLE)任务中取得了最高的81.56%准确率和85.25%的AUC；在区分两种癫痫亚型（FLE vs. TLE）的任务中也达到了76.82%的准确率，显著优于其他基线模型。图2中的ROC曲线也直观显示，本方法的AUC值最高，证明了其强大的判别能力。 2. 与基线模型对比：研究者比较了多种基线模型，包括基于向量的方法（如BrainNetCNN）、普通图模型（如GCN, SAGPool, GraphSAGE, BrainGB）以及注意力图模型（如GAT）。结果表明，基于图的方法普遍优于基于向量的方法，这印证了保留脑网络拓扑结构的重要性。然而，传统的图模型（GCN等）依赖于单一的邻域信息聚合策略，未能充分捕捉大脑复杂的高阶连接模式。本方法通过引入自适应超图结构，有效地建模了大脑的模块化特性，从而提取了更具判别力的拓扑特征，因此在所有对比任务中均表现出稳定且显著的性能提升。 3. 结果逻辑关系：优异的分类结果直接验证了本研究所提出的“自适应超图构建”和“超图注意力卷积”两个核心流程的有效性。高性能的分类准确率表明，通过该方法学习到的脑区表征能够更好地区分健康对照组与不同亚型的癫痫患者，这暗示模型可能捕捉到了与疾病相关的关键异常连接模式。这些结果为下一步进行生物标志物（Biomarker）识别，即定位具体哪些脑区或模块连接异常与疾病相关，提供了高质量的模型基础和数据支持。

结论与价值 本研究成功提出并验证了一种新颖的、基于多模态数据融合的自适应超图注意力网络框架（HGAT-GCN），用于脑网络分析与疾病诊断。其科学价值在于：第一，提出了一种动态确定大脑功能模块数量的自适应聚类方法，克服了传统方法需要预设聚类数的局限，使模型更能适应大脑数据的异质性。第二，将超图理论与注意力机制结合，创新性地建模了大脑区域间的高阶、模块化相互作用，更贴合神经科学的发现。第三，通过多模态（fMRI和DTI）信息融合，提供了对大脑功能与结构组织的更全面描述。其应用价值体现在：该方法在癫痫诊断及亚型分类任务上取得了卓越的性能，为开发辅助临床诊断的智能工具提供了新的技术路径。此外，该框架具有较好的可解释性潜力，通过学习到的超边（模块）和注意力权重，有助于研究者发现与特定脑疾病相关的异常神经环路或连接模式，即潜在的影像学生物标志物。

研究亮点 1. 方法创新性：核心创新点在于“自适应超图构建”模块。它通过结合GNN与伯努利-泊松模型，实现了从数据中无监督地、动态地学习大脑的模块化社区结构，并以此构建超图，这是一个重要的方法学贡献。 2. 模型有效性：提出的HGAT-GCN框架在公开的癫痫数据集上全面超越了现有的多种先进模型，证明了其在捕捉复杂脑网络特征和提升诊断精度方面的优越性。 3. 神经科学启发性：整个研究的设计紧密围绕“大脑模块化组织”这一神经科学核心概念展开，利用超图这一数学工具对其进行形式化建模，是计算方法与神经科学理论深度结合的成功范例。 4. 多模态融合策略：研究巧妙地利用fMRI提供节点特征（时间序列），利用DTI提供初始连接结构（邻接矩阵），在多模态融合的层面上进行了有效探索。

其他有价值内容 论文在实验部分还提及了模型在识别异常连接模式（Biomarker Identification）方面的有效性，这表明该模型不仅是一个“黑箱”分类器，其内部表示可能有助于揭示疾病的神经机制。此外，论文获得了中国国家自然科学基金、国家重点研发计划等多个项目的资助，体现了该研究方向的重要性和受支持程度。参考文献部分也系统地引用了该领域在超图理论、图神经网络及脑网络分析方面的前沿工作，为读者提供了完整的学术背景脉络。