MAN-GNN：面向神经发育障碍的可解释影像生物标志物架构——基于非线性神经动力学与跨站点对抗学习的新范式

本文提出了一种融合神经动力学系统（R?ssler）与图神经网络（MAN-GNN）的创新架构，针对ADHD和ASD等神经发育障碍（NDD），通过增强功能磁共振（fMRI）信号的非线性特征、构建局部-全局时空图模型（L2G-Net）及动态对抗控制机制（DCGC），显著提升了疾病分类精度与模型泛化能力，为神经影像生物标志物发现和临床辅助诊断提供了可解释、跨站点适用的新工具。

　　

Highlight

本研究提出了一种名为多站点自适应神经动力学图神经网络（MAN-GNN）的新型框架，旨在利用功能磁共振成像（fMRI）数据增强与疾病相关脑区的关联性。其主要创新点包括：

• •

  R?ssler神经动力学建模：通过R?ssler系统生成混沌信号模拟大脑动力学状态，并以动态权重与原始fMRI信号融合，增强脑功能连接的非线性特征。

• •

  局部至全局图网络（L2G-Net）：从时间、空间和强度三个维度建模脑功能连接。首先通过动态邻接矩阵刻画脑区（ROI）间的局部交互模式；随后引入非线性变换与残差连接以挖掘全局功能模式；最后通过动态序列池化机制高效提取关键时序特征，显著提升时空建模效率。

• •

  动态对比梯度控制器（DCGC）：通过可学习的动态平衡控制器实现跨站点泛化。该控制器自适应计算最优损失权重，以平衡分类性能提升与站点差异抑制，从而增强模型的跨站点泛化能力。

Conventional Machine Learning Techniques

在传统机器学习框架中，研究者通常从静息态fMRI数据中提取感兴趣区域（ROI），进而构建功能连接网络（FCN）作为分类器的输入特征。例如，Bhaskar等人使用线性支持向量机（SVM）区分ADHD、ASD患者与健康对照。然而，这类方法严重依赖于特征提取的显著性，且难以捕捉大脑动态与非线性的复杂模式。

Research Methods

本文提出的MAN-GNN框架集成了三大模块：R?ssler系统增强fMRI信号非线性特征、L2G-Net进行脑功能连接的时空多尺度建模、DCGC模块在抑制站点差异的同时提升分类性能，从而实现高效的跨站点疾病诊断。

Datasets

本研究基于两个公开的多中心神经影像数据集ADHD-200和ABIDE-I进行评估。这两个数据集均包含静息态功能磁共振成像（rs-fMRI）数据和丰富的表型信息。我们筛选具有完整表型信息的数据子集，结合脑功能连接特征与图神经网络架构构建分类任务。

Conclusion

MAN-GNN框架在ADHD和ASD两类神经发育障碍数据上表现出显著的解码能力，验证了其在非线性神经动力学建模、跨站点泛化与可解释生物标志物挖掘方面的有效性。

Limitations

尽管MAN-GNN模型表现出色，但仍存在若干局限：当前模型主要依赖混沌系统模拟BOLD信号传播以提取非线性时空特征，然而大脑神经活动的真实机制远比此复杂；模型对抗噪声和跨站点差异的能力仍有提升空间；数据规模与疾病类型的覆盖范围有限。

Future work

未来工作将引入多模态数据（如EEG、MEG）以增强模型生物可解释性，集成更强大的对抗机制提升鲁棒性，并在更大规模、更多类型的NDD数据集上进行验证，推动脑疾病智能建模向更高泛化性与临床适用性方向发展。