基于掩膜连接的动态图学习网络用于自闭症谱系障碍
内容提要
本文探讨了多种基于深度学习和图卷积网络的方法，用于自闭症谱系障碍（ASD）的脑活动模式预测和早期检测。研究提出的模型如Com-BrainTF和HyperGALE显著提高了预测的准确性和可解释性，展示了新方法在ASD诊断中的潜力，并强调了图形技术在神经发育研究中的应用。
延伸解读
技术演进：从静态图到动态图学习
文章梳理了2017年至2024年基于图神经网络的ASD研究进展。早期工作如2017年的通用框架将人群表示为稀疏图，侧重疾病预测；2018年出现利用fMRI构建功能连通图的方法。2023年后，Com-BrainTF、HDGL等模型引入Transformer和动态图学习，提升了对脑网络时空特征的捕捉能力。这一演进显示，图构建的鲁棒性和动态性逐渐成为提高预测性能的关键。
性能提升与可解释性并重
多个模型在提升准确率的同时，强调可解释性。例如，Com-BrainTF具有高可解释性；EAG-RS利用可解释AI识别非线性高阶功能关联，并筛选有类别区分力的脑区；HyperGALE通过超边和门控注意机制改善标志物识别。这表明，ASD诊断研究不仅追求更高精度，也注重提供神经科学上可解释的脑区关联，以辅助临床理解。
多模态与多图册融合策略
MADE-for-ASD通过加权深度集成网络融合多个脑图册，并整合人口统计信息，在ABIDE I数据集上达到75.20%的整体准确率，特定子集上达96.40%。该方法还识别出前海马回、前扣带等关键ROI。这种多图册集成策略有助于更全面地捕捉脑功能信息，提升诊断的鲁棒性和可扩展性，为ASD的自动化诊断提供了新思路。
早期检测的行为学新途径
除了神经影像，文章还介绍了基于亲子互动积木游戏协议（PCB）的早期检测方法。通过构建包含40名自闭症幼儿和89名正常发展幼儿的视频数据集，并采用混合深度学习框架，实现了89.6%的早期检测准确率。这种基于行为模式的方法不依赖昂贵影像设备，有望提高早期诊断的及时性和可及性，尤其适用于幼儿群体。
Q&A
自闭症谱系障碍的早期检测方法有哪些？
本文提出的亲子互动积木游戏协议（PCB）实现了89.6%的早期检测准确率。
Com-BrainTF模型在自闭症预测中有什么优势？
Com-BrainTF模型在ASD预测任务中表现优异，具有高可解释性。
HyperGALE方法如何改善自闭症谱系障碍的标志物识别？
HyperGALE通过超边和门控注意机制，显著改善了自闭症谱系障碍标志物的识别。
HDGL模型在自闭症研究中的表现如何？
HDGL模型能够构建大脑网络图并进行分类，性能优于其他最先进模型。
MADE-for-ASD网络的准确率是多少？
MADE-for-ASD网络在整个数据集上达到了75.20%的准确率。
EAG-RS框架在自闭症诊断中有什么作用？
EAG-RS框架通过识别脑区之间的功能关联，有效识别脑疾病。
