《Frontiers in Aging Neuroscience》：A multi-view graph neural network framework for Parkinson’s disease identification based on dynamic functional connectivity
编辑推荐：
帕金森病（Parkinson's Disease, PD）是一种常见的神经退行性疾病（Neurodegenerative Disorder），准确诊断对于及时干预至关重要。基于静息态功能磁共振成像（Resting-State Functional Magnet
帕金森病（Parkinson's Disease, PD）是一种常见的神经退行性疾病（Neurodegenerative Disorder），准确诊断对于及时干预至关重要。基于静息态功能磁共振成像（Resting-State Functional Magnetic Resonance Imaging, rs-fMRI）的动态功能连接（Dynamic Functional Connectivity, DFC）分析能够捕捉脑网络的时间变异特性，为帕金森病的识别提供了新的视角。然而，传统的基于聚类的DFC方法存在连续时间信息丢失等问题，现有的机器学习方法难以有效整合 directemente DFC的时间动态性与受试者间功能连接模式的差异，且神经影像数据样本量小导致的可泛化性差和决策过程不透明等问题也进一步限制了其应用。本研究提出了一种基于多视图图卷积网络（Graph Convolutional Network, GCN）的DFC分析框架。该方法对每个滑动时间窗口独立构建受试者间相似性网络，形成多视图图结构输入，并采用共享权重的GCN提取各窗口的节点嵌入，随后进行融合以实现分类。此外，研究人员还引入了梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）算法，为模型的决策提供视觉可解释性。该方法在分类准确率上优于传统的静态功能连接（Static Functional Connectivity, SFC）和基于聚类的方法，同时也比其他基准模型展现出更优的分类性能。基于Grad-CAM的可解释性分析进一步揭示，额叶（Frontal Lobe）和顶叶（Parietal Lobe）对分类决策的贡献最为显著，为理解帕金森病潜在的脑网络机制提供了计算证据。
本研究发表于《Frontiers in Aging Neuroscience》，旨在解决帕金森病（PD）神经影像辅助诊断中的关键科学问题。PD是全球第二常见的神经退行性疾病，仅次于阿尔茨海默病（Alzheimer's Disease, AD），其主要临床特征包括静息性震颤、肌强直、运动迟缓和姿势平衡障碍等运动症状，以及睡眠障碍和自主神经功能障碍等非运动症状。由于临床表现的复杂性和多样性，PD的准确诊断仍面临挑战。静息态功能磁共振成像（rs-fMRI）通过记录受试者在清醒、放松且无任务指令状态下的血氧水平依赖（Blood Oxygen Level-Dependent, BOLD）信号波动，为分析脑功能及脑连接提供了重要工具，在早期诊断、疾病严重程度评估及进展监测方面显示出重要价值。
功能连接（Functional Connectivity, FC）是rs-fMRI中最具价值的指标之一，能够反映不同脑区间协同活动的模式，已被验证为PD的潜在生物标志物。然而，现有FC分析大多假设连接在整个扫描过程中保持稳定。动态功能连接（DFC）则通过滑动窗口技术在连续时间窗口内计算FC的变异性，量化其时间波动特征，为理解PD的病理机制提供了新视角。但传统的DFC分析方法，如K-means聚类和图论分析，均存在明显局限：聚类方法丢失连续时间信息，而统计检验驱动的手工特征提取流程依赖先验经验，难以捕捉高阶脑交互作用。近年来，深度学习为rs-fMRI分析提供了新范式，但其性能受限于小样本量和脑区间复杂关系。尽管图卷积网络（GCN）在FC相关分析中表现优异，但现有研究仅基于静态FC考虑受试者间关系，未能充分利用DFC的时间变异特性。
针对上述问题，研究人员构建了基于DFC的多视图GCN框架，核心创新在于对每个滑动窗口独立计算受试者间关系，并结合Grad-CAM模块提升可解释性。研究使用的关键技术方法包括：滑动窗口技术生成多时间窗口DFC矩阵；基于高斯相似度、余弦相似度和中位相似度的受试者间相似性网络构建，结合K近邻（K-Nearest Neighbor, KNN）算法稀疏化及L1归一化处理；共享权重GCN进行多视图节点嵌入提取与融合；Laplacian正则化约束图结构平滑性；以及Grad-CAM算法实现模型决策的可视化解释。样本队列来源方面，主数据集为帕金森病进展标志物计划（Parkinson's Progression Markers Initiative, PPMI）的103例受试者（85例PD患者，18例健康对照），两个独立外部验证数据集分别来自Badea等（2018）公开数据及Tao Wu团队数据。
研究结果部分：
参数敏感性分析显示，滑动窗口参数选择对模型性能具有决定性影响。窗口大小与步长比为10/1时模型性能最优（准确率85.43%），较短窗口能更好捕捉FC的快速动态波动；窗口增大至20/2至40/6时性能逐渐下降，50/8时准确率虽回升但召回率和F1分数仍低于最优配置。相邻窗口相关性分析（平均相关系数0.68±0.09，p<0.01）及相位随机化实验（分类准确率降至54.6%）验证了短窗口估计的稳定性。
K值敏感性分析表明，K=30时模型达到最优分类准确率86.43%，K=10时因图结构过于稀疏而难以充分聚合组信息，K=100时因冗余连接引入噪声导致性能下降。
相似性函数比较显示，高斯相似度函数以86.43%的准确率最优，中位相似度次之（79.67%），余弦相似度最弱（78.57%），表明高斯核函数能有效捕捉FC模式中的非线性相似关系。
正则化参数敏感性分析表明，λ=0.10时模型达到最优性能（准确率86.43%），λ=0时因缺乏图结构约束导致性能下降（79.56%），λ=0.25时过强正则化限制模型复杂度（准确率78.67%）。
与SFC方法比较显示，DFC方法准确率显著优于SFC（86.43% vs. 76.20%），验证了时间变异信息的价值，但精确率和召回率略低，提示仍有优化空间。
受试者相似性网络验证表明，仅使用DFC矩阵（准确率78.56%）或K-means聚类（准确率82.43%）的策略均显著低于所提方法（86.43%），证明独立构建受试者间相似性网络能有效捕获个体间FC的互补特征。
基准模型比较显示，所提GCN模型在主队列准确率（86.43%）和精确率（70.05%）上显著优于支持向量机（Support Vector Machine, SVM）、多层感知器（Multi-Layer Perceptron, MLP）、图注意力网络（Graph Attention Network, GAT）和图Transformer（Graph Transformer, GT）。跨数据集验证中，Dataset B准确率达80.52%，Dataset A达80.43%，展现出强泛化能力和对数据异质性的鲁棒性。
类别不平衡详细评估表明，采用类别加权损失函数后，PD患者召回率达92.00%，健康对照召回率达55.00%、精确率68.50%，宏平均精确率、召回率和F1分数分别为77.50%、73.50%和75.09%。受试者操作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, ROC-AUC）为0.85，精确率-召回率曲线下面积（Precision-Recall AUC, PR-AUC）为0.73，证实模型有效性并非源于类别不平衡的假象。
分类可解释性分析基于Grad-CAM算法，将116个感兴趣区（Region of Interest, ROI）按解剖位置分为六个脑叶。结果显示，PD组额叶（6.4692）和顶叶（4.9814）的重要性总分最高，右旁中央小叶贡献最大，其次为左侧楔叶和右侧额中回眶部；健康对照组同样相对依赖额叶（7.3047）和顶叶（4.6864），左侧角回贡献最大，其次为右侧额上回眶部和左侧海马旁回。独立样本t检验显示顶叶在PD组与健康对照组间存在显著差异，表明顶叶在区分PD患者与健康对照中更为关键。五折交叉验证的一致性分析确认额叶和顶叶在所有折叠中均被稳定识别为关键脑区，外部数据验证亦高度一致。
研究结论方面，本研究提出的基于多视图GCN的DFC分析框架，通过为每个滑动时间窗口独立构建受试者间相似性网络，将多时间窗口DFC信息整合入统一图学习模型，结合Laplacian正则化和Grad-CAM可解释性分析，实现了有效的PD识别，并为理解其潜在脑网络机制提供了计算证据。PPMI主队列及两个独立外部数据集的实验结果表明，该方法在分类准确率上优于传统SFC和基于聚类的DFC方法。Grad-CAM可解释性分析进一步识别了额叶和顶叶相关脑区在模型决策中的关键作用，为理解PD的脑网络机制提供了计算证据。该框架为基于DFC的PD脑网络分析提供了新的方法学支持，并可扩展至其他神经精神疾病的脑网络分析研究。
