基于多功能连接图卷积网络的自闭症谱系障碍识别

计算机科学 信息科学 人工智能 神经病学 临床心理学 医学影像 医学
自闭症谱系障碍 图卷积网络 功能连接 脑网络 读出层

自闭症谱系障碍（ASD）是一种以重复行为、狭窄的兴趣和严重的社交互动缺陷为特征的异质性疾病，意即在不同个体中表现差异较大。中国学龄前儿童自闭症的患病率约为1%。目前，自闭症的诊断依赖于诊断量表和医生询问，这种主观性强的评估方式极大地影响了诊断结果，给医疗、社会和教育护理带来了重大挑战。本文通过结合图卷积网络（Graph Convolutional Networks，GCN）与静态功能磁共振成像（rs-fMRI）数据，提出一种多功能连接基图卷积网络（mfc-GCN）框架，以实现对自闭症谱系障碍（Autism Spectrum Disorder，ASD）的早期诊断。本文由Chaoran Ma、Wenjie Li、Sheng Ke、Jidong Lv、Tiantong Zhou和Ling Zou共同撰写，发表于2024年3月8日线上发布，并由国际医学与生物工程联合会（International Federation for Medical and Biological Engineering）出版。

功能磁共振成像（fMRI）是一种高分辨率的无创成像技术，已被广泛应用于检测和诊断各种脑部疾病，包括自闭症。近年来，利用深度学习技术基于fMRI数据进行ASD的早期诊断展现出巨大的潜力。从fMRI-based ASD研究中获取的血氧水平依赖（BOLD）信号可以构建功能连接（Functional Connectivity，FC），探索患者与正常个体之间脑活动的差异和相关疾病的生物标志物。采用图结构的脑网络分析已成为理解脑功能的重要方法之一。

论文简介：

本文提出了一种多功能连接基图卷积网络（mfc-GCN）框架，不仅使用全脑功能连接数据，还使用了来自与ASD相关的关键脑子网的功能连接数据，同时采用图卷积网络（GCN）获取互补的特征信息以完成最终的分类任务。为了应对ASD脑成像数据交换（ABIDE）数据集中的异质性问题，设计并引入了一种新颖的外部注意网络读取层（eanreadout），以探索潜在的个体关联，有效解决数据集的异质性问题。实验结果表明，框架能有效地从两种数据中学习互补特征信息，最终的ASD分类准确率达到70.31%。

研究方法：

研究选用714名受试者的ABIDE数据集，涵盖334名ASD患者与380名健康对照，其中男性患者289名、女性患者45名，男性健康对照308名、女性健康对照72名。利用用自动解剖标记（AAL）将大脑分区，获取时间序列数据，喂入多功能连接基图卷积网络框架（mfc-GCN）。框架设置两个分支，一个用于全脑FC数据特征学习，另一个用于关键FC数据特征学习，最终将两个分支提取的特征进行拼接以完成最终的ASD分类任务。

建图和特征提取

利用AAL分区得到116个脑区，计算时间序列之间的皮尔逊相关系数以获得功能连接数据（全脑FC和关键FC）。在处理全脑FC和关键FC时，为了裁剪掉无用信息引入K最近邻算法（KNN），保留每个节点最强的前10%的边连接信息。

图卷积网络 (GCN)

采用图卷积网络（GCN）对输入图进行特征学习。GCN基于图数据结构的傅立叶变换的卷积定理，每层定义一次卷积操作来聚合节点周围邻居的信息并更新节点信息。

外部注意网络读取层 (EANReadout)

为了应对数据集的异质性，设计了一种新的外部注意网络读取层（eanreadout），可以通过学习潜在的样本间关联信息减轻异质性问题。eanreadout能有效捕获跨主体的信息，提高了总体网络性能和ASD诊断能力。

主要结果：

  1. 性能比较：本文所提出的mfc-GCN框架在准确性、敏感度以及特异性上都表现优异。测试结果分别为70.31%、72.55%与69.23%。
  2. 不同读取层的比较：比较max、mean及其拼接读取层与eanreadout性能，eanreadout读取层在各项指标上的表现都优于传统读取层，其中准确率提升了4.32%。
  3. 多层eanreadout拼接的效果：在多次拼接eanreadout实验中，拼接三个GCN层（r1||r2||r3）效果最好。
  4. 全功能连接与关键功能连接的效果：mfc-GCN同时使用全脑和关键FC数据实现了最佳性能，表明了两者特征学习的互补性。

结论与意义：

本文提出的多功能连接基图卷积网络（mfc-GCN）框架结合全脑FC与关键FC数据，利用GCN从整体与局部拓扑结构中提取互补特征信息，提高了模型的ASD分类能力。提出的新型外部注意网络读取层（eanreadout）通过捕捉跨主体信息，有效应对数据集的异质性问题，进一步提升了分类性能与诊断效果。总体而言，本文从多功能连接数据中挖掘互补特征，并利用更新型的读取层显著提高了ASD诊断的准确率，对未来的自闭症早期识别具有重要启示。

未来展望：

未来的研究还可以考虑包含多模态信息，如结构磁共振成像（sMRI）。结合更多神经解释性的深度学习结果，可帮助进一步深化对ASD机制的理解。