基于局部相似性多跳融合图神经网络与数据增强的阿尔茨海默病早期精准诊断新方法

为解决阿尔茨海默病（AD）早期诊断中长时程功能连接信息利用不足、异构图信息传递过平滑等问题，研究人员提出局部相似性多跳融合图神经网络（LSMHF-GNN），通过动态脑功能连接网络（dBFC）构建与数据增强技术，融合神经影像与非影像信息，显著提升早期AD分类性能，并识别出关键病变脑区异常连接模式。该研究为AD早期干预提供了新工具，成果发表于《Expert Systems with Applications》。

　　

阿尔茨海默病（AD）作为一种不可逆的神经退行性疾病，已成为全球公共卫生领域的重大挑战。早期诊断对延缓病情进展至关重要，但现有基于静息态功能磁共振成像（rs-fMRI）的AD诊断模型存在两大瓶颈：一是难以捕捉长时程时间点间的功能连接信息，二是传统图神经网络（GNN）在融合多模态数据时易出现信息丢失或过平滑现象。这些问题严重制约了早期AD的精准识别。

为解决这些难题，中国的研究团队创新性地提出局部相似性多跳融合图神经网络（LSMHF-GNN）。该研究通过三个关键突破实现了技术革新：首先采用滑动窗口法构建动态脑功能连接网络（dBFC），结合Mixup数据增强技术，有效捕获AD导致的长期脑功能损伤特征；其次设计局部相似性（LocalSim）模块，在节点层面自适应加权融合同质化信息，克服了异构图消息传递的固有缺陷；最后通过初始残差连接模块（IRDC）保留原始特征，显著提升了模型表达能力。研究在ADNI数据库验证中取得突破性进展，不仅分类准确率超越现有方法，更首次系统揭示了AD不同恶化阶段的关键脑区异常连接模式。

关键技术方法包括：基于滑动窗口和皮尔逊相关系数（PCC）构建dBFC；采用Mixup算法增强小样本数据；设计LSMHF-GNN融合神经影像与人口统计学特征；通过10折交叉验证评估模型性能。研究队列来自ADNI公开数据库。

动态脑功能连接网络构建
通过滑动窗口技术将rs-fMRI时间序列分割为多个子段，计算各窗口内脑区间的PCC，形成随时间演变的dBFC。该方法成功捕捉到AD患者海马体与默认模式网络间的长时程功能连接异常。

局部相似性多跳融合机制
创新性提出LocalSim指标量化节点同质性，在消息传递过程中动态调整邻域节点权重。实验证明该机制使模型在3层深度时仍能保持节点特征区分度，较传统GAT模型提升23.6%的分类特异性。

关键脑区识别与异常连接分析
模型特征重要性分析发现，海马体、后扣带回和前额叶皮层在早期AD分类中权重最高。特别值得注意的是，右侧海马体与楔前叶的功能连接强度随AD进展呈现先增强后减弱的非线性变化规律，这一发现为临床分期提供了新依据。

该研究开创性地将图神经网络与多模态数据融合技术应用于AD早期诊断，其提出的LSMHF-GNN框架不仅解决了异构图学习中的核心难题，更通过可解释性分析揭示了AD进展的神经机制。研究成果为开发AD数字化 biomarkers 提供了新思路，相关技术路线可拓展至帕金森病等其它神经退行性疾病的早期诊断领域。论文中报道的关键脑区异常连接模式已获得临床回顾性研究的验证，为后续靶向治疗研究指明了方向。