利用不变子图图神经网络（Invariant Subgraph GNN）学习不同脑部疾病的大脑网络表示

《IEEE Transactions on Signal and Information Processing over Networks》：Learning General Brain Network Representations of Different Brain Disorders Using Invariant Subgraph GNN

针对脑疾病分类中存在的分布偏移问题，本文提出基于不变子图GNN（IS-GNN）的模型，通过自适应结构感知模块和自监督损失函数优化脑网络表征学习，在自闭症、多动症、帕金森病及阿尔茨海默病四类数据集上均取得SOTA性能。

　　

摘要：

来自各种脑部疾病的 数据分布变化给诊断带来了重大挑战。建立能够处理这些分布变化的一般特征表示对于准确诊断这些疾病至关重要。然而，这一领域在很大程度上仍未得到探索。本研究提出了一种不变的子图图神经网络（IS-GNN），用于学习用于分类静息态功能性磁共振成像（fMRI）中各种脑部疾病的一般脑网络表示。该模型采用不变的子图学习机制来捕捉不变的脑图并处理分布变化。此外，我们开发了一个自适应结构感知模块，通过评估脑图中节点的重要性来提高对不变子图特征的检测能力。为了进一步完善模型，我们提出了一种自监督损失函数用于不变子图学习，以确保生成不变的脑网络表示。该模型在来自三个公共数据集（分别对应自闭症谱系障碍、注意力缺陷多动障碍和帕金森病）的1,943名受试者的数据上进行了预训练，微调实验表明，该模型不仅在这三个数据集上，而且在外部阿尔茨海默病数据集上也达到了最先进的分类性能。

引言

神经发育障碍和神经退行性疾病以特定脑网络的异常和功能损害为特征[1]，[2]，是两类常见的脑部疾病。静息态功能性磁共振成像（rs-fMRI）是一种非侵入性的脑成像技术，在通过监测大脑中的血氧水平依赖信号来检测这些微妙的功能障碍和识别网络异常方面发挥着关键作用[3]。它被认为是一种有效的脑部疾病分类方法[4]。