一种增强型图卷积网络，结合双向协同交叉注意力机制，通过多尺度功能连接性和结构连接性来早期诊断阿尔茨海默病

阿尔茨海默病（AD）患者脑功能连接（FC）和结构连接（SC）在特定区域呈现显著异常，为早期诊断提供潜在生物标志物。本文提出多尺度FC/SC计算方法和双向协作注意力增强的图卷积网络（BCCA-EGCN），通过融合功能图与结构图特征实现AD/MCI分类，在ADNI数据集上取得0.8974（AD vs. NC）、0.8347（AD vs. MCI）和0.8021（MCI vs. NC）的交叉验证准确率，揭示了AD进程中SOM-B、VATTN、DMN-B网络FC的动态演变规律。

　　

魏亚楠|陈振鹏|景斌|邵一璐|董瑞娟|齐北尔|李海云

首都医科大学生物医学工程学院，北京，100069，中国

摘要

阿尔茨海默病（AD）进展过程中特定脑区的功能连接（FC）和结构连接（SC）异常可能提示潜在的生物标志物。在本文中，我们首先建立了使用静息态功能性磁共振成像（rs-fMRI）计算多尺度FC的方法，以及使用扩散张量成像（DTI）计算SC的方法，同时研究了正常对照组（NC）、轻度认知障碍（MCI）和AD组的全脑及网络层面的FC和SC模式。然后，我们提出了一种基于双向协作交叉注意力（BCCA-EGCN）的增强型图卷积网络模型用于AD识别，该模型主要由EGCN、BCCA和多层感知器（MLP）模块组成。EGCN模块从利用多尺度FC和SC构建的功能图和结构图中提取深度特征，BCCA模块融合这些特征，MLP模块进行最终分类。实验表明，在全脑层面，AD患者的侧枕叶皮层与前中央回之间的FC和SC强度显著降低（潜在的AD生物标志物），并且与MCI相比，认知相关区域的FC也有所减弱。在网络层面，AD患者的体感运动B网络（SOM-B）、腹侧注意网络（VATTN）和默认模式网络B网络（DMN-B）内的FC强度降低，尤其是SOM-B网络与MCI相比差异明显。通过ADNI数据进行的5折交叉验证，BCCA-EGCN模型的准确率分别为0.8974（AD vs. NC）、0.8347（AD vs. MCI）和0.8021（MCI vs. NC）。这项工作建立了一种计算方法，揭示了AD进展过程中认知相关脑区和网络的多尺度FC和SC演变，并证明了BCCA-EGCN模型在AD识别方面的有效性能。

引言

阿尔茨海默病（AD）是一种以隐匿性发病和缓慢进展为特征的神经退行性疾病，其发病率持续上升。AD患者通常表现出记忆、语言、定向和情绪调节方面的认知障碍（Alzheimer’s Association, 2023; Masters, Bateman, Blennow, Rowe, Sperling, Cummings, 2015; Scheltens, De Strooper, Kivipelto, Holstege, Chételat, Teunissen, van der Flier, 2021）。轻度认知障碍（MCI）是AD的早期阶段，是临床干预和疾病进展抑制的关键时期（Breton, Casey, & Arnaoutoglou, 2019）。AD会不同程度地破坏人脑的功能连接（FC）和结构连接（SC），从而导致认知障碍（Dai, Lin, Li, Wang, Yuan, Yu, He, Wang, 2019; García-Colomo, Nebreda, Carrasco-Gómez, de Frutos-Lucas, Ramirez-Tora?o, Spuch, Comis-Tuche, Bru?a, Alfonsín, Maestú, 2024; Zhou, Dou, Wang, Yao, Feng, Wang, Yang, An, Liu, Zhang, Liu, 2022）。

利用静息态功能性磁共振成像（rs-fMRI）得到的FC和扩散张量成像（DTI）得到的SC来诊断AD和MCI已经取得了持续的突破（Hu, Peng, Zhu, Gan, Zhu, Ma, Wu, 2021; Li, Shao, Wang, Liu, Yang, Wang, Xi, 2024; Liu, Zhang, Shi, Shen, 2024a; Wei, Abrol, Lah, Qiu, Calhoun, 2024）。这些互补的成像技术分别从功能和结构角度描述了人脑的连接性。图卷积网络（GCNs）能够有效捕捉图中的复杂节点-边关系，非常适合从图结构数据（如FC和SC）中提取特征（Lei, Zhu, Yu, Hu, Xu, Yue, Wang, 2023; Song, Zhou, Frangi, Cao, Xiao, Lei, Wang, Lei, 2021; Zeng, Gong, Li, Yang, 2025; Zhao, Zhou, Ou-Yang, Wang, Lei, 2019）。Zhao等人（2019）利用FC和表型信息构建了图输入，并通过切比雪夫GCN（chebGCN）实现了早期MCI（EMCI）与NC、晚期MCI（LMCI）与NC的诊断识别，准确率分别为0.784和0.843。Zeng等人（2025）分别应用FC和表型信息构建了个体级和群体级图，然后构建了一个知识驱动的多GCN来提取个体和群体特征，准确率分别为AD vs. NC（正常对照）86.87%、AD vs. MCI 84.82%、MCI vs. NC 79.46%。Song等人（2021）分别利用FC和SC构建了功能图和结构图，并提出了一个考虑相似性的自适应校准GCN。通过结合两种预测分数的加权机制，GCN的准确率分别为EMCI vs. NC 85.2%、LMCI vs. NC 89.0%。Lei等人（2023）构建了一个多尺度增强型GCN，利用局部加权聚类系数融合FC和SC生成模型输入，并应用随机游走嵌入进行特征提取。通过留一法交叉验证，该模型的准确率分别为EMCI vs. NC 85.42%、LMCI vs. NC 93.46%。He等人（2024）提出了一个时空图变换网络，利用时空rs-fMRI特征和对抗性训练，准确率分别为AD vs. NC 92.58%、LMCI vs. EMCI 85.27%。

基于GCN的模型在利用FC和SC识别AD方面显示出良好的潜力。然而，这些模型受到GCN固定局部感受野的限制（Lei, Zhu, Yu, Hu, Xu, Yue, Wang, 2023; Parisot, Ktena, Ferrante, Lee, Guerrero, Glocker, Rueckert, 2018; Quan, Shi, Lei, Leng, Zhang, Niu, 2019），难以捕捉个体间的长距离全局关系，这限制了模型对复杂图谱的表征能力。图注意力网络（GAT）（Veli?kovi? et al., 2017）采用注意力机制关注更有信息的邻居节点，但仍难以捕捉长距离依赖关系。虽然堆叠GCN层可以扩大感受野，但可能导致过度平滑。另一个主要挑战在于有效整合FC和SC特征。当前的融合策略包括概率融合（Song et al., 2021）、早期融合（Lei et al., 2023）和加性注意力融合（Liu, Zhou, Zhu, Zhang, Zhou, Zhang, Yang, Wang, Wang, Yuan, Fang, Chen, Xia, Wang, Zhang, Wang, Jin, 2024b; Pan, Lin, Dong, Wang, Ji, 2022）仍然未能充分利用FC和SC提供的互补信息。

在本文中，我们首先建立了使用rs-fMRI计算多尺度FC和使用DTI计算SC的方法，同时研究了NC、MCI和AD组的全脑及网络层面的FC和SC模式。然后，我们提出了一种基于双向协作交叉注意力（BCCA-EGCN）的增强型GCN模型用于AD识别，该模型尝试从利用多尺度FC和SC构建的功能图和结构图中有效提取深度特征，并充分融合这些特征以实现AD和MCI的分类。我们的主要贡献如下：

• 1.
  开发了使用rs-fMRI计算多尺度FC和使用DTI计算SC的方法。探讨了AD进展过程中多尺度FC和SC的变化。揭示了多尺度FC和SC作为AD生物标志物的潜力。
• 2.
  提出了一种基于双向协作交叉注意力（BCCA-EGCN）的增强型图卷积网络模型。该模型扩大了感受野，增强了复杂图谱的表示，并更有效地整合了多尺度FC和SC特征。
• 3.
  确定了每个脑区ROI对模型性能的相对贡献，提高了模型的可解释性。

材料与方法

在本文中，我们首先建立了使用rs-fMRI计算多尺度FC和使用DTI计算SC的方法，以定量分析人脑的FC和SC，并研究了NC、MCI和AD组的全脑及网络层面的FC和SC模式，进一步揭示了可能作为AD潜在生物标志物的FC和SC异常。具体来说，我们采用了Brainnetome图谱（Fan et al., 2016），分别计算了rs-fMRI的全脑FC和SC

NC、MCI和AD组之间的多尺度FC和SC变化

在全脑层面，AD患者的连接强度相对于NC组显著降低。具体而言，332个FC和77个SC的强度降低（FDR校正后的p值<0.05）。FC强度的降低主要发生在岛叶皮层、后中央回、上颞回、中腹侧枕叶皮层、侧枕叶皮层、旁中央小叶和海马体。SC强度的降低主要发生在海马体和丘脑

讨论

FC反映了不同脑区神经元活动模式的时间同步性，代表了大脑的功能协调和动态交互能力。SC反映了由白质纤维束形成的不同脑区之间的解剖连接，代表了大脑连接性的物理基础及其信息传输潜力。在AD进展过程中，不同神经通路的功能和结构完整性的变化

结论

本文一方面开发了一种从rs-fMRI和DTI数据中提取多尺度FC和SC特征的计算方法。这种方法使我们能够探索AD连续体中多尺度FC和SC的独特变化模式，揭示了它们作为AD早期生物标志物的潜在价值。此外，它提供了一个有效的计算框架，有助于更深入地理解异常大脑结构和

CRediT作者贡献声明

魏亚楠：概念构思、方法论、软件开发、初稿撰写。陈振鹏：数据管理、软件开发、验证。景斌：指导、审稿与编辑。邵一璐：数据管理、验证。董瑞娟：撰写、审稿与编辑。齐北尔：撰写、审稿与编辑。李海云：资金获取、方法论指导、审稿与编辑。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。