多图谱功能与有效连接注意力融合方法在自闭症谱系障碍诊断中的应用研究

本文推荐：研究者提出创新性多图谱功能(Functional Connectivity, FC)与有效连接(Effective Connectivity, EC)注意力融合方法(MaFECAF)，通过动态图卷积网络与自适应自注意力单元整合多图谱脑网络信息，显著提升自闭症谱系障碍(ASD)分类准确率达74.7%，为脑疾病诊断提供兼具因果依赖与结构特征的双模分析框架。

　　

亮点

• 我们提出基于多图谱数据同步构建与融合功能连接(FC)和有效连接(EC)网络的新方法，充分挖掘脑连接中的因果与结构信息。

• 开发了创新的双分支功能-有效连接构建架构，采用模式特异性特征提取技术精准构建不同脑网络模态。

• 提出基于自适应自注意力的功能-有效融合机制，可动态学习两种网络的依赖关系并指导特征融合。

• 实验证明该方法在ASD任务中兼具高性能与良好可解释性。

方法

本节详细介绍用于ASD诊断的多图谱功能与有效连接注意力融合(MaFECAF)方法：

1. 1.

   多图谱数据融合：采用余弦相似度矩阵加权融合两个脑分区图谱数据；

2. 2.

   双模网络构建：分别通过时空图卷积网络(ST-GCN)和变分自编码器(VAE)参数化的图神经网络构建FC（无向）与EC（有向）网络；

3. 3.

   动态特征融合：通过动态图卷积网络(DGCN)与自适应自注意力单元实现FC-EC特征交互，最终用于ASD分类。

实验

• 基准对比：MaFECAF以74.7%准确率超越现有最优方法

• 消融实验：验证多图谱融合与双模注意力机制的关键作用

• 网络分析：发现ASD患者存在默认模式网络EC连接减弱与FC局部超连接特征

结论

MaFECAF首次实现多图谱环境下FC与EC网络的协同建模，通过动态注意力机制捕捉脑区异常互作模式，为ASD诊断提供新的计算框架。未来将扩展至多模态脑数据与跨中心验证。