基于跨层级超图增强融合模型BrainCHEF的脑网络高阶交互特征解析与疾病标志物识别

针对功能脑网络分析中数据稀缺、监督不足及高阶结构信息捕获难题，研究人员提出跨层级超图增强融合框架BrainCHEF，整合超图与线图视角，通过超图注意力网络和特征掩码自监督方法增强模型鲁棒性。实验证明其在ABIDE和ADHD数据集上显著优于现有方法，并能识别疾病相关生物标志物，为脑疾病诊断提供新工具。

　　

---

论文解读

现代神经科学面临的核心挑战之一是如何解析大脑这一高度复杂系统的动态功能网络。静息态功能磁共振成像(rsfMRI)通过血氧水平依赖(BOLD)信号为研究脑区协同模式提供了重要工具，但传统图神经网络(GNN)在分析功能连接(FC)时存在三大瓶颈：仅能建模二元连接而忽略高阶交互（如默认模式网络DMN的多脑区协同）、fMRI数据噪声干扰消息传递机制，以及脑疾病数据稀缺导致的监督学习局限。这些问题严重制约了脑网络动态特征挖掘与疾病标志物发现的精度。

为此，研究人员提出跨层级超图增强融合框架BrainCHEF，通过超图与线图的协同建模突破传统GNN限制。该研究创新性地引入超图注意力网络自适应学习节点复杂依赖，结合特征掩码自监督任务增强线图中超边交互信息的捕获能力，并利用拓扑持久性分析(Persistent Homology)提取fMRI信号的动态结构特征。实验采用自闭症脑影像数据交换联盟(ABIDE)和注意力缺陷多动症(ADHD)两大真实数据集验证，相关代码已开源。

关键技术方法
研究团队首先通过表示正则化方法获取超边和线图，构建双视角建模框架。超图组件采用注意力机制学习节点依赖，线图组件引入特征掩码自监督任务。通过跨层级融合机制整合节点与超边特征，并利用持久同调分析处理fMRI时间序列，最终结合拓扑编码模块增强时空特征表达。

研究结果

1. 高阶交互建模：超图注意力网络成功捕获多脑区协同模式，如DMN异常连接与自闭症的关联，验证超边建模对高阶特征提取的有效性。
2. 抗噪性能提升：特征掩码自监督任务使模型在ABIDE数据集上的分类准确率提升12.7%，显著优于传统GNN。
3. 动态特征解析：持久同调分析揭示ADHD患者前额叶-纹状体通路的动态连接异常，与临床认知障碍评分呈显著相关。
4. 生物标志物发现：模型识别出与既往研究一致的疾病相关脑区，如自闭症患者的后扣带回皮层(PCC)功能连接异常。

结论与意义
BrainCHEF框架通过超图与线图的跨层级融合，首次实现功能脑网络高阶交互与动态特征的协同建模。其创新性体现在三方面：一是突破传统二元连接限制，通过超边建模揭示多脑区协同机制；二是特征掩码自监督策略有效缓解数据稀缺问题；三是拓扑分析方法增强时空特征的可解释性。该研究不仅为脑疾病诊断提供新工具，其开源代码更推动领域内方法标准化进程。未来可进一步探索超边动态演化规律与临床症状的映射关系，推动精准医疗发展。