CGLK-GNN：一种基于大核的连接组生成网络，用于基于图神经网络（GNN）的阿尔茨海默病分析

《Neural Networks》：CGLK-GNN: A Connectome Generation Network with Large Kernels for GNN based Alzheimer’s Disease Analysis

阿尔茨海默病（AD）早期检测依赖脑功能连接分析，传统方法存在信息丢失和噪声敏感问题。本文提出CGLK-GNN模型，通过大核解耦卷积网络（LKCNN）提取fMRI时间序列特征并生成动态连接图，再利用改进的GNN预测模块实现AD多阶段分类。实验表明CGLK-GNN在ADNI和OASIS数据集上分类精度显著优于现有GNN方法，并具有临床可解释性。

　　

朱文琪|尹忠|傅英华

上海科技大学光电与计算机工程学院，中国上海

摘要

阿尔茨海默病（AD）是一种目前无法治愈的神经退行性疾病，早期检测具有很高的研究优先级。AD的特点是认知能力逐渐下降，并伴有大脑功能连接性的改变。近年来，基于图的数据结构，图神经网络（GNN）已成为分析大脑功能和疾病预测的重要方法。然而，大多数GNN方法受到传统功能连接性计算导致的信息损失以及功能性磁共振成像（fMRI）数据中常见噪声问题的限制。本文提出了一种基于静息态fMRI的图生成AD分类模型来解决这一问题。用于AD分析的具有大核的连接组生成网络（CGLK-GNN）包含一个图生成模块和一个GNN预测模块。图生成模块采用具有大核的解耦卷积网络来提取全面的时间特征，同时保持序列依赖性，这与之前的生成式GNN方法不同。该模块通过编码边相关性和节点嵌入的时间特征来构建连接组图，从而更有效地利用生成的图。随后的GNN预测模块采用高效的架构来学习这些增强后的表示，并进行最终的AD阶段分类。通过独立的队列验证，CGLK-GNN在区分AD状态方面优于最先进的GNN和基于rsfMRI的AD分类器。此外，CGLK-GNN通过从两个独立的数据集中学习临床相关的连接组节点和连接性特征，展示了其高临床价值。

引言

阿尔茨海默病（AD）是一种进行性的神经退行性疾病，其特征是病理沉积物的出现和认知能力下降，包括记忆力减退和执行功能障碍（Association等人，2017年）。由于缺乏有效的治疗方法，加上对其潜在发病机制的理解不完全，近期研究将早期诊断作为延缓或缓解疾病进展的最有希望的策略。功能性磁共振成像（fMRI）作为一种非侵入性成像技术，在AD研究中越来越受到重视，因为它能够研究大脑区域功能和区域间功能连接性（FC）的变化（Dennis和Thompson，2014年；Lang等人，2014年）。随着AD经历不同的发展阶段，它构成了一个多分类任务。

在过去的几十年中，一系列研究探讨了静息态功能性磁共振成像（rsfMRI）在AD诊断中的应用。早期的方法依赖于传统的机器学习分类器，使用手工制作的FC特征，如随机森林、支持向量机（SVM）和广义线性回归（Dyrba等人，2015年；Koch等人，2012年；Teipel等人，2017年），但这些方法受到先验知识和经验特征选择的限制。虽然基于深度神经网络的方法在AD分类中表现出了改进，但卷积神经网络（CNN）和全连接网络在处理非欧几里得FC数据时存在根本性的局限性（Heinsfeld等人，2018年；Kam等人，2018年；Kawahara等人，2017年；Parmar等人，2020年；Ramzan等人，2020年）。此外，这些方法通常提供的神经生物学可解释性有限，从而限制了它们在阐明疾病相关神经机制方面的临床价值。

最近，图神经网络（GNN）逐渐被应用于AD分类，因为fMRI可以在群体或大脑层面转换为图表示。虽然群体图可以模拟受试者之间的关系（Huang和Chung，2020年；Kazi等人，2019年；Parisot等人，2017年；Song等人，2020年），但大脑图直接表示FC网络（Li等人，2021年；Xing等人，2021年；Yao等人，2021年），这两种方法都实现了端到端的AD分类。尽管FC在所有这些方法中都起着重要作用，但传统的FC总是通过统计依赖性（如皮尔逊相关性）来计算的，这不可避免地导致额外的数据处理以适应图神经网络，并且容易受到fMRI中常见数据噪声的影响。

在这种情况下，最近提出了图生成方法，通过DNN自动生成连接组，以克服上述限制并完全捕获fMRI的连接性特征（Campbell等人，2023年；Kan等人，2022年）。这些方法以时间序列形式的fMRI BOLD信号作为输入，并应用时域模型从每个感兴趣的区域（ROI）提取时间特征，用于连接组计算，通常与基于GNN的模型结合以实现AD分类。尽管生成的基于任务的连接组已被证明对AD分类有益，但现有方法在面对噪声较大和复杂的数据时容易生成质量较差的连接组，尤其是在多分类任务中，这主要是由于设计的时域模型特征提取能力较弱以及生成连接组的利用不足。

在本文中，提出了一种用于AD分析的具有大核的连接组生成网络（CGLK-GNN），通过构建更现代和强大的CNN模块来提取时间特征，并增强生成连接组在图神经网络中的重要性。具体来说，设计了一种大核卷积神经网络（LKCNN），利用大卷积核和解耦卷积，最初由Liu等人（2022年）引入，并在ModernTCN（Luo和Wang，2024年）中进一步验证了其在时间领域的有效性，用于从每个ROI提取时间特征并计算基于任务的连接组。这是首次将这种大核、解耦卷积应用于AD分析中的鲁棒BOLD信号处理，优化了非欧几里得fMRI数据的时间特征提取。与之前的方法相比，大卷积核可以获得更大的感受野，而设计的解耦卷积结构整体上模仿了Transformer（Vaswani等人，2017年），增强了模型的表达能力。为了突出LKCNN学习的时间相关性，生成的连接组被创新地作为节点特征的重要组成部分纳入图构建中。这超越了传统的功能连接性计算，实现了数据驱动的连接组构建，同时丰富了节点特征和边权重，比仅使用连接组作为静态边权重或仅建模节点特征的方法有了显著进步。CGLK-GNN通过结合生成的FC特征和原始FC特征，强调了节点特征表示的关键作用，显著增强了生成连接组的重要性，并改进了图表示的学习。此外，GNN预测器应用了跨层连接，将初始生成的图与后续GNN层的特征结合作为输出组件，形成了一个独特的级联GNN架构，全面整合了多尺度时空特征信息，突出了初始生成图的丰富内在细节。这一设计显著提高了AD分类的准确性。

本文的贡献总结如下：

1.

提出了一种基于图的GNN架构（CGLK-GNN），用于fMRI上的AD多分类，以提取丰富的时间特征并更有效地利用连接组。

2.

特别引入了LKCNN，用于从fMRI的大脑图中提取时间序列数据特征，它获得了比先前架构更大的感受野和更高效的特征提取能力。

3.

通过新颖的节点特征构建和特定的跨层连接，强调了生成连接组在GNN预测器中的关键作用，显著增强了模型对生成连接组的利用。

4.

在公共医学数据集Alzheimer’s Disease Neuroimaging Initiative（ADNI）和Open Access Series of Imaging Studies（OASIS）上的实验结果表明，CGLK-GNN达到了最先进的性能。还进行了广泛的消融实验，以讨论我们方法中提出的模块的有效性。

本文的其余部分组织如下。第2节介绍了不同GNN方法的相关工作。第3节详细介绍了CGLK-GNN的架构。第4节描述了CGLK-GNN在ADNI和OASIS-3数据集上的实验结果，并与其他方法进行了比较，消融实验表明了所提出模块的有效性。第5节对方法进行了讨论，并分析了生成图与现有AD相关大脑研究的关联。最后，我们在第6节总结了本文并提出了进一步研究的建议。

章节片段

相关工作

在本节中，我们重点介绍了基于GNN的fMRI图像AD分析方法。所提出的CGLK-GNN属于生成的GNN。

方法

图1中所示的CGLK-GNN包括一个ROI特征学习器、一个图生成层和一个GNN预测器。ROI学习器使用大核卷积神经网络（LKCNN）层提取每个ROI的时间特征，并收集用于图生成的时间相关性。

实验

在本节中，我们在公共数据集ADNI和OASIS-3上进行了几项比较实验和消融研究，以评估CGLK-GNN的有效性。

生成图的效果

在所提出的方法中，我们引入了一种新颖的结构，首先使用强大的神经网络生成连接组，然后应用GNN预测器进行特征提取和疾病预测。如表3所示，我们的新方法优于CPGNN（Xu等人，2024年）和MFCGNN（Liu和Gui，2024年），后者改进了GNN结构，但仍使用基于皮尔逊的连接组或其他变体作为输入。原因可能是使用神经网络生成连接组可以有效地

结论

在本文中，我们提出了一种新颖的基于GNN的方法CGLK-GNN，专门用于AD分类，它设计了LKCNN模块来提取连接组生成的时间特征，然后使用简单的GNN编码器预测疾病状态。与其它方法相比，CGLK-GNN在AD分类中表现出更优的性能。此外，它还具有识别与AD分类相关的大脑区域和功能连接性的能力。

CRediT作者贡献声明

朱文琪：撰写——原始草稿、可视化、验证、软件、方法论、正式分析。尹忠：撰写——审阅与编辑、监督、项目管理。傅英华：撰写——审阅与编辑、验证、资源管理、项目管理、调查、数据管理、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。