基于超图语义与拓扑自监督学习的功能性脑网络高阶表征及疾病诊断研究

为解决功能脑网络高阶拓扑与语义特征捕获不足的难题，中国科学院团队提出超图语义拓扑自监督学习框架（HGST）。该研究通过超图结构建模多脑区高阶功能连接，结合节点特征掩蔽恢复与超边相似性度量模块，在ADHD-200和REST-meta-MDD数据集上实现诊断性能突破，为脑疾病机制解析提供可解释性网络表征。

　　

脑科学研究中，功能磁共振成像(fMRI)技术通过血氧水平依赖(BOLD)信号构建功能脑网络，已成为探索脑疾病机制的重要工具。然而，传统图神经网络(GNN)仅能捕获脑区间的成对连接，无法解析多脑区协同作用形成的高阶拓扑结构，且现有自监督学习(SSL)方法对网络深层语义特征挖掘不足。这些局限严重制约了脑疾病诊断的准确性与可解释性。

为解决这一挑战，中国科学院团队在《Pattern Recognition》发表研究，提出超图语义拓扑自监督学习框架(HGST)。该工作创新性地采用超图结构建模功能脑网络，通过ADHD-200和REST-meta-MDD两个公共数据集验证，开发了包含超图链接预测的语义模块与超边结构相似性的拓扑模块，利用预训练共享超图神经网络生成高阶嵌入特征。关键技术包括：1)基于246脑区划分的静息态fMRI预处理；2)超图构建捕获多脑区交互；3)节点特征掩蔽与超边相似性双任务自监督训练；4)可解释性网络可视化分析。

高阶脑网络生成
通过将传统功能连接矩阵转化为超图结构，成功建模了涉及3个及以上脑区的高阶相互作用，突破了传统图结构仅能表示二元关系的限制。

高阶语义感知SSL
设计的节点特征恢复任务迫使模型学习脑区ROI的深层语义关联，实验显示该模块对MDD患者默认模式网络的特征捕获准确率提升19.6%。

高阶拓扑感知SSL
通过计算包含共同脑区的超边相似度，首次量化了局部拓扑结构的组织规律，在ADHD患者前额叶-纹状体环路中检测到显著异常的拓扑聚类系数(p<0.01)。

诊断性能验证
在ADHD-200数据集上达到87.3%准确率，较传统GNN方法提升12.5%；对MDD的识别特异性达89.1%，显著优于BrainMass等基线模型。

可解释性分析
可视化显示ADHD患者注意网络超边连接密度降低23%，MDD患者边缘系统超边过度活跃，与临床病理特征高度吻合。

该研究开创性地将超图理论引入脑网络分析，其构建的HGST框架不仅解决了高阶特征提取的难题，更通过双模块设计实现了语义与拓扑信息的协同优化。特别值得注意的是，该方法在保持模型性能优势的同时，通过超边可视化技术首次揭示了多脑区协同异常与特定精神疾病的对应关系，为理解ADHD执行功能缺陷和MDD情绪调节障碍提供了新视角。研究获得国家自然科学基金(62401330)等多项支持，开源代码已发布于GitHub平台，为后续脑网络研究提供了重要方法论参考。