基于多模态融合的正则化时空加权图卷积网络在轻度认知障碍检测中的应用

《Expert Systems with Applications》：Regularized Spatio-Temporal Weighted Graph Convolution Network Based on Multimodal Fusion for Mild Cognitive Impairment Detection

提出MCRSW-GCN模型，通过滑动窗口分割fMRI数据，结合多通道正则化回归捕捉高阶动态功能连接，跨窗口时空加权网络整合解剖先验与数据驱动权重，嵌入T1结构MRI优化脑网络拓扑，构建双通道图注意力网络融合多模态信息，显著提升MCI诊断准确率。

　　
本文针对轻度认知障碍（MCI）的早期诊断难题，提出了一种融合动态功能连接与多模态数据的图神经网络模型——MCRSW-GCN。研究团队通过整合功能磁共振成像（fMRI）的时序动态特征、结构磁共振成像（sMRI）的解剖学信息以及人口学特征，构建了具备时空感知能力的多通道图神经网络，显著提升了MCI分类的准确性和临床诊断价值。

在方法设计层面，模型创新性地构建了四个核心模块：首先采用滑动窗口技术将连续fMRI信号分割为多个动态时间窗口，通过多通道节点正则化回归（NRR）捕捉每个窗口内脑区间的协同效应。这种高阶建模突破了传统方法仅关注ROI间直接连接的局限，能够量化三个及以上脑区的协同动态模式，例如默认模式网络与执行控制网络间的复杂交互。

时空权重模块（CW-STWNet）则通过解剖学先验知识将大脑划分为多个功能亚区，为每个亚区分配可学习的动态权重系数。这种设计不仅实现了跨窗口时空特征的融合，还能自适应地识别疾病相关的时间演化规律。实验显示，该模块在处理早期AD患者数据时，能够捕捉到前额叶皮层与海马体连接的亚秒级动态变化，这种微秒级的时间分辨率是现有方法难以企及的。

结构功能耦合机制方面，模型创新性地将T1加权sMRI数据提前整合到功能连接建模阶段。通过计算灰质体积与功能连接矩阵的关联性，构建了具有生物物理约束的异构图结构。这种设计使得在动态功能连接建模过程中，自动纳入了脑区体积变化与功能连接强度的相关性，例如发现海马体萎缩与默认模式网络功能解耦存在显著关联。

在跨个体建模方面，研究团队引入了双通道图注意力机制（D-GAT）。主通道处理个体功能连接数据，次通道整合结构影像特征，通过注意力权重动态调整两者的融合比例。这种设计有效解决了传统方法中结构-功能数据割裂处理导致的特征冗余问题，在ADNI2和ADNI3数据集上的实验表明，跨模态注意力机制可将分类准确率提升至92.7%，较传统单通道方法提高8.5个百分点。

实验验证部分采用ADNI标准数据集，包含161名正常对照（NC）、147名早期MCI（EMCI）和128名晚期MCI（LMCI）患者。模型在多个分类任务中均展现出显著优势：对EMCI与NC的区分准确率达89.3%，较基准模型提升7.2%；在LMCI与EMCI的亚型鉴别中达到91.5%，识别出包括前扣带回与顶叶网络解耦、楔前叶功能增强等12个具有病理意义的生物标志物。消融实验进一步证实，NRR模块使高阶协同建模能力提升23%，时空权重模块贡献17%的额外准确率，而双通道注意力机制则带来9.8%的性能增益。

临床价值方面，研究首次实现了对MCI亚型的精准分类。通过分析动态功能连接的时序演化规律，发现早期MCI患者存在特定脑区的功能连接惯性（Functional Connectivity Inertia, FCI），这种连接模式在窗口切换时表现出显著的时间延迟特征。模型通过量化这种动态特性，成功将MCI转化为AD的风险分层，为临床干预提供了时间窗口参考。

创新点体现在三个方面：其一，构建了多级动态图模型，将窗口内的高阶协同效应（超过 pairwise的复杂交互）与跨窗口时空关联性有机结合；其二，设计了具有生物物理约束的异构图结构，通过灰质体积分布引导功能连接建模；其三，开发了双通道自适应注意力机制，可根据个体差异动态调整结构-功能数据融合权重。

研究对临床实践产生重要启示：模型输出的生物标志物不仅包含传统认知区域（如海马体、前额叶皮层）的功能异常，还发现了楔前叶-顶叶-颞顶联合区的协同模式变化。这种多尺度特征提取能力使得模型在早期阶段就能捕捉到尚未出现显著结构萎缩的功能异常，为建立MCI-AD转化预测模型提供了新的技术路径。

未来工作方向包括：1）扩展多模态数据源至PET和EEG信号；2）开发针对脑区亚结构的层次化图注意力机制；3）建立动态生物标志物追踪系统，实现MCI病程的长期监测。该研究为神经影像诊断领域提供了可复现的算法框架，其模块化设计允许后续研究针对特定环节进行优化改进，具有广阔的工程应用前景。