《Healthcare Analytics》：An explainable adaptive graph learning framework for dynamic brain connectivity analysis in autism diagnosis
编辑推荐：
研究人员提出了一种可解释的自适应图学习框架，用于自闭症诊断中的动态脑连接分析。该框架开发了自适应图模型，以学习动态脑连接模式；通过基于相位的功能连接分析构建受试者特异性脑网络；实现了高分类性能和均衡的预测能力；提供了将模型输出与临床相关脑模式相联系的可解释指标
研究人员提出了一种可解释的自适应图学习框架，用于自闭症诊断中的动态脑连接分析。该框架开发了自适应图模型，以学习动态脑连接模式；通过基于相位的功能连接分析构建受试者特异性脑网络；实现了高分类性能和均衡的预测能力；提供了将模型输出与临床相关脑模式相联系的可解释指标；并识别出自闭症中感觉运动区和枕叶区域的异常连接模式。
自闭症谱系障碍（Autism Spectrum Disorder, ASD）是一种复杂的神经发育障碍，常导致行为、沟通和社交互动困难，全球约每36名儿童中就有1例受影响。目前ASD诊断仍依赖行为观察和临床经验，缺乏可靠的生物学标志物，而神经影像学（如功能磁共振成像，functional MRI, fMRI）为理解其神经基础提供了新途径。研究表明ASD患者存在网络级功能异常，如长程皮层连接减弱、短程连接代偿性增强。功能连接组作为由节点（脑区）和边（连接）构成的图，是计算精神病学的重要分析工具。然而，早期图神经网络（Graph Neural Network, GNN）方法多采用静态功能连接图，无法适应个体动态神经变化；现有动态方法多为单次注意力加权，适应性有限；已有可解释性方法（如GNNExplainer）的解释与神经解剖学无关，难以临床使用。针对这些问题，研究人员提出了自适应边节点交互网络（Adaptive Edge-Node Interaction Network, AENIN），用于从静息态fMRI数据诊断ASD，并提供临床可解释的连接组学证据。
AENIN的核心贡献包括：利用自适应相位同步（Adaptive Phase Synchronization, APS）构建个体化脑网络；提出层内边-节点双向反馈机制，使边和节点表示协同进化；设计支持性临床报告模块（Supportive Clinical Reporting Module, SCRM），通过关键影响分数（Critical Influence Score, CIS）、交互拓扑分数（Interaction Topology Score, ITS）和路径连通分数（Path Connectivity Score, PCS）提供区域级、连接级和路径级解释。研究在ABIDE I数据集的800名受试者（400名ASD，400名典型发育对照，TD）上评估，平均准确率82.75%，F1分数83.04%，优于多种基线模型。该框架不仅实现高分类性能，还通过SCRM揭示了ASD患者感觉运动区和枕叶区域的异常连接模式，具有神经生物学意义。
主要技术方法方面，研究人员使用ABIDE I数据集中的800名受试者静息态fMRI数据，经FSL预处理后用AAL图谱定义116个感兴趣区（Region of Interest, ROI）作为图节点。边权重通过相位锁定值（Phase Locking Value, PLV）计算，先对BOLD时间序列进行Hilbert变换提取瞬时相位，再计算PLV并采用基于个体PLV分布的自适应阈值生成加权邻接矩阵。节点特征包含17维拓扑和信号特征（如PageRank、平均邻居度、BOLD均值、小波能量等）。AENIN采用动态边更新（Edge-MLP）、消息传递（Node-MLP）和边-节点反馈循环，经两层交互后使用全局平均池化和全连接层分类。SCRM则利用梯度敏感度、边特征范数和多跳路径连通性生成临床报告。
在结果方面，按论文子标题总结如下。
图构建（Graph construction）：APS生成的网络显示，ASD组平均网络密度（0.18）低于TD组（0.22），平均聚类系数（0.41对0.53）和模块性（0.34对0.48）也较低，提示ASD存在全局整合缺陷。
模型训练与收敛（Model training and convergence）：在5折站点感知交叉验证中，AENIN在800名参与者上取得平均准确率0.8275±0.0457，F1分数0.8307±0.0480；训练损失在前15–20个epoch快速下降后稳定，验证准确率收敛于0.60–0.83之间。
与基线比较（Comparison with baselines）：相对于传统机器学习模型（如随机森林、SVM）和多种GNN模型（如GCN、BrainGNN、AL-NEGAT等），AENIN在准确率和F1上均最高，优于最接近的竞争者AL-NEGAT约1.26个百分点，表明双向反馈机制能捕获单次注意力无法编码的高阶连接依赖。
消融研究（Ablation study）：去掉APS（改用Pearson相关）使准确率下降3.38个百分点；去掉图特征（仅用Pearson特征）使准确率骤降至55.25%；去掉反馈机制降低约8.74个百分点；单层AENIN准确率下降12.45个百分点，证实了APS、节点特征和反馈机制各自的重要性。
神经生物学可解释性（Neurobiological interpretability）：CIS分析显示ASD患者在辅助运动区、缘上回和枕叶区域存在过度连接，而TD组则呈现前额-小脑平衡连接；PCS显示ASD网络以额枕叶短程环路为主，TD网络具有分布式跨半球通路。
组级统计分析（Group-level statistical analysis）：经Benjamini-Hochberg错误发现率（False Discovery Rate, FDR）校正后，十个区域（以小脑亚区为主）的CIS在ASD与TD间差异显著，所有区域在ASD中
