基于多任务动态图学习的脑疾病识别：功能磁共振成像中时空动态特征对齐与融合研究

针对动态功能连接(dFC)分析中滑动窗口参数敏感性和个体执行速率异步性问题，研究人员提出多任务动态图学习框架(MT-DGL)，通过SPD流形轨迹对齐和Mamba架构的时空特征提取，在ABIDE数据集上实现73.9%的准确率，为脑疾病诊断提供稳定可靠的自动化分析工具。

　　

在神经精神疾病诊断领域，传统依赖量表评估和临床经验的方法存在主观性强、误诊率高等问题。功能磁共振成像(fMRI)作为非侵入性技术，通过血氧水平依赖(BOLD)信号反映脑区功能连接(FC)，为计算机辅助诊断带来曙光。然而，现有动态FC(dFC)分析方法面临两大瓶颈：一是依赖滑动窗口技术提取时变特征时，对窗口参数极度敏感；二是受个体执行速率差异和噪声干扰，导致功能连接轨迹对齐困难。这些因素严重影响了脑疾病识别的准确性和稳定性。

针对这些挑战，中国国家自然科学基金支持的研究团队在《Pattern Recognition》发表创新成果，提出多任务动态图学习框架(MT-DGL)。该研究通过三大关键技术突破：首先采用传输平方根向量场(TSRVF)方法对齐SPD流形上的FC轨迹，消除滑动窗口参数依赖性；其次设计基于Mamba架构的多尺度动态图学习模块，深度挖掘fMRI时空动态特征；最后引入年龄预测辅助任务，增强模型对脑功能连接年龄相关变化的认知。在ABIDE和REST-MDD数据集验证中，模型在纽约大学站点的准确率达73.9%，曲线下面积(AUC)达74.9%。

关键技术方法
研究使用ABIDE数据集纽约大学站点184例(79例自闭症患者)和REST-MDD数据集SITE 20站点533例(281例抑郁症患者)的静息态fMRI数据。通过SPD流形表征动态FC轨迹，采用TSRVF进行时间维度对齐；构建Mamba-based多尺度动态图学习网络提取时空特征；设计联合损失函数(λ₁=0.2时最优)实现疾病分类与年龄预测的多任务学习。

主要研究结果

1. SPD-valued FC轨迹对齐模块：将滑动窗口提取的动态FC表示为SPD流形上的连续轨迹，通过TSRVF方法解决个体执行速率异步性导致的轨迹变异问题，使模型对窗口参数的依赖性降低42%。

2. Mamba-based多尺度动态图学习：利用Mamba架构的序列建模优势，在四个时间尺度上捕获ROI间动态交互，相比传统GNN方法时空特征提取效率提升35%。

3. 多任务学习策略：年龄预测辅助任务使模型识别出前额叶-边缘系统连接的年龄相关变化模式，抑郁症分类特异性提高至71.3%。超参数分析显示λ₁=0.2时双任务达到最优平衡。

结论与意义
该研究开创性地将流形几何理论与动态图学习相结合，解决了dFC分析中的核心痛点。SPD轨迹对齐技术突破了滑动窗口方法的固有局限，Mamba架构首次在fMRI时空建模中展现优势。多任务机制不仅提升分类性能，更揭示了脑疾病与发育的关联特征。这项工作为神经精神疾病的客观诊断提供了新范式，其技术框架可扩展至阿尔茨海默病等年龄相关脑疾病研究。未来通过纳入更多模态数据和临床指标，有望建立更完善的智能辅助诊断系统。