这篇文档属于类型a，是一篇关于使用深度学习模型诊断神经发育障碍（Neurodevelopmental Disorders, NDD）的原创性研究论文。以下是详细的学术报告内容：

作者及机构

本研究由Yueyang Li、Weiming Zeng（通讯作者）、Wenhao Dong、Luhui Cai、Lei Wang、Hongyu Chen（上海海事大学数字图像与智能计算实验室）、Hongjie Yan（徐州医科大学附属连云港医院神经内科）、Lingbin Bian（上海科技大学）和Nizhuan Wang（通讯作者，香港理工大学）共同完成。研究发表于Journal of Imaging Informatics in Medicine。

学术背景

研究领域：本研究属于医学影像信息学与人工智能交叉领域，聚焦于利用静息态功能磁共振成像（resting-state fMRI, rs-fMRI）数据诊断神经发育障碍（如自闭症谱系障碍ASD和注意力缺陷多动障碍ADHD）。

研究动机：当前临床诊断NDD主要依赖专家主观行为评估，存在诊断不一致性和延迟性问题。尽管深度学习模型（如图神经网络GNN和卷积神经网络CNN）已用于NDD分类，但现有方法多局限于单层次脑功能网络（Brain Functional Networks, BFNs）或忽略高阶特征（high-order features），而高阶特征对揭示BFNs的复杂关联至关重要。

研究目标：提出一种多视角高阶网络（Multi-view High-order Network, MHNet），通过整合欧几里得空间（Euclidean space）和非欧几里得空间（non-Euclidean space）的特征，提升NDD分类性能。

研究流程与方法

1. 数据准备与预处理

• 数据集：使用三个公开数据集——ABIDE-I（1112例，ASD vs. 典型发育）、ABIDE-II（1114例）和ADHD-200（947例，ADHD vs. 健康对照）。
  
• 预处理：采用DPARSF和Athena2流程，包括去颅骨、时间层校正、运动校正、频带滤波（0.01–0.1 Hz）等，并使用AAL1和Brainnetome图谱划分脑区。
  

2. MHNet模型架构

MHNet包含三个核心模块：
1. 欧几里得空间特征提取（ESFE）模块
- 功能连接生成（FCG）：构建功能连接矩阵（FC matrix）。
- 高阶CNN（HCNN）：通过1D-CNN提取局部特征，并引入高阶池化（High-order Pooling, HoP）捕获高阶统计特征。

1. 非欧几里得空间特征提取（non-ESFE）模块

   • 通用互联网式脑分层网络生成（G-IBHN-G）：构建多层次BFNs（Brain-WAN、Brain-MAN、Brain-LAN），模拟互联网分层结构。
     
   • 高阶GNN（HGNN）：基于残差Chebyshev网络（Res-ChebNet）提取拓扑特征，并通过图高阶池化（Graph High-order Pooling, GHoP）捕获高阶图特征。
     

2. 特征融合分类（FFC）模块

   • 融合ESFE和non-ESFE的高阶特征，通过多层感知机（MLP）和Softmax分类器实现NDD诊断。
     

3. 实验设计

• 对比方法：与12种传统机器学习（如SVM、KNN）和深度学习方法（如BrainGNN、BrainNetCNN）对比。
  
• 评估指标：准确率（ACC）、敏感性（SEN）、特异性（SPEC）、AUC和平均得分（AVG）。
  

主要结果

1. 分类性能

   • MHNet在三个数据集上均达到最优性能（ABIDE-I: ACC=76.29%, AUC=78.68%；ADHD-200: ACC=70.33%），显著优于其他方法（提升4%-8%）。
     
   • Brainnetome图谱因更精细的脑区划分（246区 vs. AAL1的116区），性能优于AAL1。
     

2. 消融实验

   • 高阶特征的作用：引入HoP和GHoP后，模型性能提升显著（如HCNN+GN比GN提升5%）。
     
   • 分层结构的影响：多视角BFNs（WAN-MAN-LAN）比单层次网络（如仅Brain-LAN）更有效。
     

3. 可解释性分析

   • 模型识别出与NDD相关的关键脑区（如ASD患者的舌回、杏仁核；ADHD患者的尾状核、丘脑），与现有神经科学发现一致。
     

结论与价值

1. 科学价值

   • MHNet首次整合了多视角BFNs和高阶特征，解决了现有模型对复杂脑网络表征不足的问题。
     
   • 提出的G-IBHN-G模块和Res-ChebNet架构为脑网络分析提供了新方法。
     

2. 应用价值

   • 为NDD的客观诊断提供了自动化工具，可辅助临床决策。
     
   • 开源代码和模块化设计便于后续研究扩展。
     

研究亮点

1. 创新方法

   • 多视角分层BFNs构建（模拟互联网拓扑）。
     
   • 高阶特征提取（HoP和GHoP）增强模型对复杂脑网络的表征能力。
     

2. 重要发现

   • 揭示了NDD患者脑功能网络的层级异常模式。
     
   • 验证了Brainnetome图谱在NDD诊断中的优势。
     

3. 局限性

   • 未充分整合非影像数据（如临床表型）。
     
   • 计算复杂度较高，需进一步优化实时性。
     

其他有价值内容

• 非影像数据探索：通过构建群体图（population graph）整合性别、年龄等表型信息，性能提升有限（%），表明影像特征仍是主要贡献因素。
  
• 代码开源：所有对比方法和MHNet代码均已公开，促进领域内复现与改进。
  

本研究为NDD的精准诊断提供了新思路，未来可扩展至其他脑疾病（如精神分裂症、抑郁症）的研究中。