基于模糊推理系统的多尺度增强图卷积网络在自闭症谱系障碍图形模型检测中的应用研究

本研究针对自闭症谱系障碍（ASD）诊断中脑连接模式变异、样本量小和数据异质性等挑战，提出了一种结合模糊推理系统（FIS）与多尺度增强图卷积网络（MSE-GCN）的新型框架。通过整合功能磁共振成像（fMRI）功能连接数据与非成像表型数据，构建群体图模型，利用模糊规则计算节点相似性权重，并引入随机游走算法增强特征学习。实验基于ABIDE-I数据集，采用递归特征消除（RFE）和多层感知器（MLP）进行特征选择，最终实现87%的分类准确率，显著优于现有方法（如ASD-DiagNet的71%）。该研究为ASD的早期精准诊断提供了新思路，同时为多模态数据融合与不确定性处理提供了范例。

　　

自闭症谱系障碍（Autism Spectrum Disorder, ASD）是一种复杂的神经发育疾病，表现为社交互动障碍、语言发育迟缓和重复性行为。目前ASD诊断主要依赖行为观察，缺乏客观生物学标志物，且患者脑连接模式存在高度异质性。磁共振成像（MRI）虽能提供脑功能连接信息，但传统分析方法难以捕捉个体差异与小样本数据的复杂特征。此外，非成像表型数据（如年龄、性别、智商）与影像数据的融合仍存在挑战，亟需开发能够处理不确定性和多尺度信息的新型计算模型。

为突破这些局限，研究人员在《Intelligence-Based Medicine》发表了一项创新研究，提出将模糊推理系统（Fuzzy Inference System, FIS）与多尺度增强图卷积网络（Multiscale Enhanced Graph Convolutional Network, MSE-GCN）相结合，构建名为“Fuzzy MSE-GCN”的ASD检测框架。该研究利用ABIDE-I数据集（包含971名受试者的rs-fMRI和表型数据），通过模糊规则量化表型相似性以构建群体图，采用随机游走算法增强图嵌入学习，并整合多尺度GCN层捕获局部与全局特征。实验表明，该方法分类准确率达87%，较传统GCN（73%）和ASD-DiagNet（71%）显著提升，为ASD的早期诊断提供了高精度工具。

关键技术包括：1）基于模糊规则的边缘权重计算，处理表型数据不确定性；2）多尺度GCN架构，通过并行卷积层提取不同尺度特征；3）随机游走算法增强图嵌入；4）递归特征消除（RFE）与多层感知器（MLP）优化特征选择。

研究结果
1. 群体图构建：以个体为节点，功能连接特征为向量，通过模糊规则计算年龄、性别等表型相似性权重，形成加权邻接矩阵。
2. 多尺度特征融合：MSE-GCN通过不同步长的随机游走捕获局部与全局连接模式，融合后经全连接层分类，准确率提升12%。
3. 性能验证：在ABIDE-I数据集上，模型准确率（87%）、F1分数（82%）均优于对比模型（如NF-GAT的81.5%），且对样本不平衡具有鲁棒性。

结论与意义
该研究首次将模糊系统与图神经网络结合用于ASD检测，解决了传统方法忽略表型数据不确定性和单尺度局限性的问题。其创新性体现在：1）通过模糊规则量化复杂表型关系，提升图模型解释性；2）多尺度架构增强了对脑网络层级特征的捕捉能力；3）为小样本神经影像分析提供了新范式。未来可扩展至其他神经精神疾病的跨模态诊断，推动精准医学发展。