FL-SEHGT：基于联邦学习和压缩-激励机制的异构图Transformer用于自闭症识别

《Neural Networks》：FL-SEHGT: Federated Learning-Based Heterogeneous Graph Transformer with Squeeze-and-Excitation for ASD Identification

　　

• 异构图Transformer提取ASD功能脑网络特征。
• 挤压-激励网络识别与ASD症状相关的关键变化。
• 联邦学习在保护数据隐私的同时实现协作训练。
• FL-SEHGT在识别准确性和可解释性方面优于联邦学习基线模型。

引言
自闭症谱系障碍（ASD）是一种神经发育障碍，特征为社会交流障碍以及受限或重复的行为（Frith & Happé, 2005）。这些特征通常在早期发育过程中显现，并可能严重影响社会、教育、职业和其他功能领域（Landa, 2008; Lord & Bishop, 2015）。最近的一项研究报告指出，全球约有1/100的儿童受ASD影响（Zeidan et al., 2022）。由于目前尚无可靠的生理或病理生物标志物，ASD的诊断主要依赖于行为标准和临床判断，这可能导致漏诊或误诊（Guthrie et al., 2013）。静息态功能磁共振成像（rsfMRI）提供了一种无创的方法来检查与ASD相关的广泛脑功能改变（与典型发育（TD）个体相比），并可能有助于识别与ASD相关的大脑影像候选特征（Gan et al., 2021; Yao et al., 2021）。

深度学习领域的最新进展极大地促进了从rsfMRI中提取脑功能特征以及计算机辅助诊断ASD。各种模型，包括循环神经网络（RNNs; Dvornek et al., 2018）、深度神经网络（DNNs; Heinsfeld et al., 2018）和卷积神经网络（CNNs; Khosla et al., 2018），已被用于根据脑功能连接特征区分ASD个体和TD个体。其中，图神经网络（GNN）已成为将复杂的脑网络建模为图结构数据的强大工具，并基于rsfMRI和/或表型信息在ASD的特征提取和分类方面取得了卓越的性能（Chen et al., 2024; Padmanabhan et al., 2017; Parisot et al., 2018; Uddin et al., 2013; Yao et al., 2021; Zhang et al., 2023）。例如，功能连接配置文件被用作节点特征，并根据个体表型信息的相似性构建群体图以进行ASD分类（Parisot et al., 2018）。在另一项最近的研究中（Chen et al., 2024），基于rsfMRI定义了节点和边特征，并为每个受试者构建个体脑图以进行ASD分类。

然而，现有的基于神经影像的ASD计算机辅助诊断模型仍面临三大挑战：准确性有限、可解释性不足以及数据隐私问题带来的协作训练障碍。首先，由于神经影像特征提取和利用不足，诊断准确率仍然有限。大多数现有的基于GNN的分类模型（Chen et al., 2024; Parisot et al., 2018; Yao et al., 2021; Zhang et al., 2023）依赖于同构图结构，该结构定义单一类型的节点和代表统一关系的单一类型的边（Cao et al., 2021）。越来越多的证据表明，认知脑功能产生于多个异质功能网络之间的相互作用，每个网络由空间分布的脑区域组成，且单一脑区域可能参与多个功能网络（Dosenbach et al., 2006; Smith et al., 2009）。鉴于脑功能网络固有的异质性及其与ASD症状的关联（Hagan et al., 2025; Padmanabhan et al., 2017; Uddin et al., 2013），采用异构图结构（包含多种类型的节点和边以捕获多样化的交互和信息）来更好地提取功能网络特征并改善ASD诊断是更合理的（Chen et al., 2025; Zhang et al., 2019）（Wen et al., 2022）。其次，诊断模型的可解释性，即脑区域和功能网络如何改变并与ASD症状相关联，尚未得到系统探索。因此，实施专门的可解释性技术以更好地理解ASD背后的神经机制至关重要。第三，此类隐私问题可能会限制诊断模型的实际部署。训练一个准确且泛化能力强的ASD诊断模型通常需要多样化的多站点数据集（Wen et al., 2022）。然而，神经影像数据共享是敏感的，并受到严格的使用规定限制（Pfitzner et al., 2021）。先前的研究表明，移除患者标识符（如姓名或出生日期）不足以保护个人隐私（Rocher et al., 2019）。例如，可以从计算机断层扫描或MRI数据中重建个体面部信息（Schwarz et al., 2019）。因此，在保护数据隐私的同时充分利用多站点数据，仍然是ASD诊断模型实际训练和应用的关键挑战。

为了解决这些挑战，我们提出了一种基于联邦学习的挤压-激励异构图Transformer（FL-SEHGT），这是一个用于基于神经影像的ASD识别的计算框架。首先，我们通过将代表性功能脑网络映射到关系类型，构建了一个多关系异质脑功能图，并采用异构图Transformer（HGT）来提取网络交互特征。其次，我们引入了挤压-激励（SE）机制来自适应地重新加权网络和区域相关的表示，并支持对训练模型的解释。第三，我们将模型与联邦学习（FL）集成，以便在不集中原始神经影像数据的情况下实现多站点协作训练，并检验站点异质性和数据数量的影响。我们使用自闭症脑成像数据交换1期（ABIDE I）中来自17个站点的871名受试者的rsfMRI数据评估了FL-SEHGT。主要贡献如下：
• 用于ASD的异质脑图构建：我们制定了一种基于生物学原理的异质图表示，具有类型化边，其中关系对应于代表性功能脑网络，使HGT能够建模传统同质功能连接图之外的多样化跨网络交互。
• 通过SE机制实现基于图的可解释性：我们将基于SE的重新加权模块集成到图模型中，以突出ASD关键网络和区域，并提供具有临床意义的解释，包括与自闭症诊断观察量表（ADOS）症状评分的关联。
• 联邦多站点学习和站点级分析：我们在ABIDE I的联邦环境中部署了所提出的模型，与联邦基线模型进行直接比较，并分析站点异质性和数据数量对性能的影响，同时保持原始神经影像数据本地化。

章节片段
数据获取与预处理
在本研究中，我们使用了自闭症脑成像数据交换1期（ABIDE I）（Di Martino et al., 2014）中公开可用的静息态功能磁共振成像（rsfMRI）数据，并获得批准作为测试平台。经过公开神经影像质量筛查后，共有来自17个站点的871名受试者（403名ASD和468名TD）被纳入研究。为确保数据处理可靠并与其他研究公平比较，我们使用了来自可配置图构建和超参数选择管线的预处理rsfMRI数据
我们识别了ASD和典型发育（TD）个体中二十个代表性脑网络（BNs）（Smith et al., 2009）。图2a显示了所有涉及的脑区域在每个BN内的峰值位置（Smith et al., 2009），这些位置随后使用广泛使用的自动解剖标记（AAL）脑图谱子集（由n（n=116）个脑区域组成）进行了标记。所有二十个BN涉及的脑区域集合提供了一个全面的脑区域地图及其

讨论
脑网络和连接组提供了由分布式脑区域相互作用产生的复杂功能的表示（Thiebaut de Schotten & Forkel, 2022）。传统的全脑功能连接模型通常使用同构图（Cao et al., 2021），而本文的HGT公式将20个功能网络表示为不同的关系类型。在池化评估中，该公式在评估的模型中产生了最高的准确率和AUC

结论
在本研究中，我们提出了一种基于联邦学习的挤压-激励异构图Transformer（FL-SEHGT），用于基于多站点rsfMRI的ASD识别。可通过将功能脑网络表示为异质图中不同的关系类型，该框架捕获了传统同质连接模型之外的多样化跨网络交互。挤压-激励机制的集成进一步通过突出实现了模型可解释性

资金
Xi Jiang部分由中国国家自然科学基金（62276050, 62576077）和四川科技计划（2024NSFSC0655）资助。

CRediT作者贡献声明
Yepeng Zhang：方法学、软件、形式分析、可视化、撰写——初稿。Yuzhong Chen：方法学、软件、形式分析、撰写——初稿。Hailin Sun：软件、可视化、形式分析、撰写——初稿。Jiadong Yan：可视化、撰写——审阅与编辑。Yuxuan Zheng：方法学、撰写——审阅与编辑。Guangchao Fu：可视化、撰写——审阅与编辑。Rong Zhang：撰写——审阅与编辑。Keith M. Kendrick：撰写——审阅

数据和代码可用性
当前工作中使用的数据集可在自闭症脑成像数据交换1期（ABIDE I，http://fcon_1000.projects.nitrc.org/）获取。部分预处理数据和结果可应要求提供。本研究的代码可在GitHub上获取（https://github.com/XiJiangLabUESTC/SEHGT.git）。

利益冲突
作者声明他们没有任何利益冲突。

在稿件准备过程中生成式AI和AI辅助技术的声明
在工作准备期间，作者使用了DeepSeek V3.2来协助进行英语语言编辑和润色。在使用此工具/服务后，作者根据需要审查和编辑了内容，并对已发表文章的内容承担全部责任。

CRediT作者贡献声明
Yepeng Zhang：撰写——初稿、可视化、软件、方法学、形式分析。Yuzhong Chen：撰写——初稿、软件、方法学、形式分析。Hailin Sun：撰写——初稿、可视化、软件、形式分析。Jiadong Yan：撰写——审阅与编辑、可视化。Yuxuan Zheng：撰写——审阅与编辑、方法学。Guangchao Fu：撰写——审阅与编辑、可视化。Rong Zhang：撰写——审阅与编辑。Keith M. Kendrick：撰写——审阅

竞争利益声明
作者声明他们没有任何已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文所报告的工作。

Yepeng Zhang|Yuzhong Chen|Hailin Sun|Jiadong Yan|Yuxuan Zheng|Guangchao Fu|Rong Zhang|Keith M. Kendrick|Xi Jiang