基于保留特异性的联邦人口图对比学习的多中心自闭症谱系障碍rs-fMRI识别研究

为解决多中心静息态功能磁共振成像(rs-fMRI)数据存在的隐私保护、异质性及站点特异性保留难题，研究人员提出SFPGCL框架，通过双分支联邦学习整合时空动态特征与人口统计学信息，在ABIDE数据集上实现80.0%准确率的自闭症谱系障碍(ASD)诊断，为跨中心神经精神疾病研究提供新范式。

　　

自闭症谱系障碍(ASD)是一种影响全球约1%人口的神经发育疾病，临床表现为社交障碍和重复行为模式。当前诊断主要依赖主观行为观察，缺乏客观生物标志物。静息态功能磁共振成像(rs-fMRI)虽能揭示脑区功能连接特征，但单中心研究面临样本量小、扫描设备差异导致的泛化性差等问题。多中心协作可提升数据规模，却遭遇隐私保护与数据异质性双重挑战。传统联邦学习(FL)难以平衡站点间共享知识与特异性保留的矛盾，且现有图神经网络(GNN)方法多忽视时空动态特征与人口统计学信息的融合。

为解决这些难题，中国某高校团队在《Computerized Medical Imaging and Graphics》发表研究，提出特异性保留联邦人口图对比学习(SFPGCL)框架。该研究利用ABIDE I数据集413例受试者的rs-fMRI与人口统计学数据，通过双分支架构实现跨中心知识共享与站点特异性保留：共享分支采用时空注意力图神经网络(STAGNN)提取站点不变特征，个性化分支通过深度残差图卷积网络(DeepRGCN)整合功能连接与人口统计学数据。引入模型对比学习缓解数据异质性，最终通过多层感知机(MLP)实现分类。

方法学创新
研究采用多中心rs-fMRI数据预处理流程，包括头动校正、频带滤波等。共享分支将动态功能网络连接(dFNC)输入STAGNN捕获时空特征，个性化分支用人口统计学信息构建自适应人口图。联邦聚合仅共享分支参数，通过对比学习约束全局与局部模型一致性。

关键结果

1. 性能对比：SFPGCL在ABIDE数据集达到80.0%准确率与79.7%AUC，显著优于FedProx、FedBN等基线方法。
2. 消融实验：去除个性化分支导致准确率下降4.2%，证实站点特异性保留的必要性；忽略人口统计学信息使AUC降低3.5%。
3. 特征可视化：t-SNE图显示双分支策略有效分离ASD与健康对照组，且各站点特征分布既保持共性又保留特异性。

讨论与展望
该研究创新性地将联邦学习与图对比学习结合，首次在多中心rs-fMRI分析中实现站点不变特征与特异性特征的协同优化。模型对比学习机制有效缓解了数据异质性，而深度残差图卷积单元解决了传统GNN的过拟合问题。研究局限性在于未考虑站点间扫描参数的定量差异，未来可引入元学习优化超参数适应性。该框架为阿尔茨海默病、精神分裂症等神经精神疾病的跨中心诊断提供了可扩展的技术路径。

结论
SFPGCL框架通过双分支联邦架构与多模态特征融合，在ABIDE数据集上实现了目前最准确的多中心ASD识别。其核心价值在于平衡了隐私保护与模型性能的矛盾，为医学影像分析中的联邦学习应用树立了新标杆。研究证实整合人口统计学信息与时空动态特征能显著提升诊断效能，这对推动精准精神病学发展具有重要临床意义。