编辑推荐：
动态可解释脑网络框架DIBrain通过融合动态图学习与层次化子网络表示学习，解决传统GNN无法区分兴奋/抑制连接及忽略层次结构的问题。创新性地设计FC启发动态脑Transformer和层次化GNN结构，实现跨尺度交互建模，提升疾病诊断性能，并在四个数据集上验证其有效性。
Hao Hu|Rundong Xue|Shaoyi Du|Xiangmin Han|Jingxi Feng|Zeyu Zhang|Wei Zeng|Yue Gao|Juan Wang
西安交通大学第二附属医院超声科，以及西安交通大学人工智能与机器人研究所人机混合增强智能国家重点实验室，中国陕西省西安市710049
摘要
功能性脑网络通过分层组织在局部特化与全局整合之间维持动态平衡。尽管基于图的方法推动了脑网络分析的发展，但传统的图神经网络（GNN）面临诸多挑战。它们在区分兴奋性和抑制性连接方面缺乏可解释性，也无法捕捉大脑内在的分层结构，尤其是跨尺度交互。为克服这些限制，本文提出了DIBrain框架，该框架通过两个创新组件将动态图学习与分层子网络表示学习相结合：一个是受全连接（FC）启发的动态脑变换器，能够动态编码不同的连接模式以构建和调整脑网络；另一个是分层表示学习范式，利用分层GNN和优化约束来模拟子网络内的同质连接及其间的异质交互。这一跨尺度框架有效捕捉了动态功能交互，从微观的感兴趣区域（ROI）活动层面延伸到宏观的子网络协调层面。在四个数据集上的评估表明，DIBrain在神经疾病诊断方面表现出优异的性能，验证了我们方法的有效性。源代码可访问地址为：
https://github.com/iMoonLab/DIBrain引言
作为复杂且交互式的神经系统，人脑依赖于局部功能特异性和全局分布的连接模式来支持认知过程和行为结果[1][2]。先进的神经成像技术，特别是功能性磁共振成像（fMRI），为研究这种复杂性提供了前所未有的窗口。通过分析血氧水平依赖（BOLD）信号，研究人员可以构建功能脑网络，其中感兴趣区域（ROIs）作为节点，它们的时间相关性形成边。这种基于网络的范式对于识别包括阿尔茨海默病（AD）、轻度认知障碍（MCI）和自闭症谱系障碍（ASD）在内的复杂神经疾病的潜在生物标志物至关重要，为早期诊断和治疗策略提供了关键见解[3]。
虽然基于图的方法，尤其是图神经网络（GNN），已成为脑网络分析的核心[4][5]，但它们面临诸多限制，这些限制影响了它们的临床和科学应用。主要问题在于功能连接（FC）的量化，通常使用皮尔逊相关系数（PCC）进行。由此产生的FC矩阵同时包含正（兴奋性）和负（抑制性）权重，而标准GNN架构通常要求边为非负值，无法直接处理这种情况。常见的解决方法（如取相关性的绝对值）会丢弃关于连接极性的重要神经生物学信息，从而限制了模型的性能。此外，这些方法往往依赖于静态网络结构，无法捕捉大脑活动的动态变化特性。因此，现有方法未能充分协调数据驱动的学习与已建立的神经生理学原理，常常在过于简化的线性模型和生物学不可知的图假设之间摇摆[6][7]。因此，构建基于生物学的动态功能脑网络是一个关键且未解决的挑战，旨在提取深刻、有意义的语义信息[8]。
此外，新兴的神经成像证据[9][10]强调了大脑功能中分层组织的关键重要性，这进一步加剧了这些挑战：复杂的认知过程由不同功能子网络（模块内）内的密集连接支持，这些连接促进了专门的信息处理，而这些模块（模块间）之间的稀疏长距离链接则实现了全局整合（如图1所示）。这种相关性表明，与疾病相关的干扰可能在不同尺度上表现出差异，潜在的跨尺度交互可能对病理机制有所贡献。然而，大多数现有框架忽略了这种分层结构，将大脑视为一个平面图。这种忽视造成了一个关键缺口，因为它们无法捕捉到理解疾病机制所必需的跨尺度交互。
为应对这些多方面的挑战，本文提出了动态可解释脑网络（DIBrain）框架，这是一种将动态图学习与分层表示学习相结合的新方法。DIBrain围绕两个核心创新进行构建。首先，我们引入了一个受FC启发的动态脑变换器，该变换器利用FC的生理先验来指导其注意力机制，使模型能够动态学习任务感知的连接模式，同时保持兴奋性和抑制性连接的独特作用。其次，我们设计了一个分层GNN结构，并结合了定制的优化约束。这种结构创新地将大脑特征分解为子网络内部和子网络之间的层次，模拟了从微观ROI交互到宏观子网络协调的跨尺度相关性。
本研究的主要贡献如下：
- 1)
我们提出了一个受FC启发的动态脑变换器，该变换器采用受启发的因素和任务特定的注意力学习。这种方法保留了功能连接的生物学意义特征，克服了传统GNN的局部连接偏差，同时保持了连接权重的可优化性和可解释性。
- 2)
我们通过结合功能子网络的先验知识，设计了一个分层且可解释的脑网络架构。该架构创新地将大脑区域特征分解为子网络内部和子网络之间的层次，从而能够模拟从微观ROI到宏观功能子网络的跨尺度特征交互。
- 3)
在四个数据集上的评估表明，DIBrain在疾病诊断方面表现出优异的性能。此外，模型的跨尺度连接可视化揭示了脑疾病中的异常功能模式（例如，在ASD诊断中DMN内部以及DMN与FPN之间的连接），为理解其潜在的病理机制提供了有价值且可解释的见解。
图表示学习
由于脑功能连接的图特性，基于GNN/HGNN的方法已成为脑网络分析的主流方法[11][12]。例如，Li等人提出了BrainGNN[13]，该方法采用ROI感知的图卷积层和选择性池化来突出关键脑区。Zheng等人引入了BrainIB[14]用于fMRI分析，该算法利用了信息瓶颈原理。Feng等人开发了Hyper-FM[15]，为...
概述
我们提出了DIBrain框架，用于脑网络分析，该框架将动态可解释图学习与大脑分层表示学习相结合。如图2所示，DIBrain包含两个主要组成部分：1) 一个受FC启发的动态脑变换器，通过将FC启发的因素纳入注意力机制来生成任务优化的功能脑网络，形成了受启发的因素和任务驱动的适应之间的双向优化循环；2)
数据集和预处理
所提出的DIBrain在四个不同的脑疾病诊断任务上进行了评估，包括自闭症脑成像数据交换（ABIDE）数据集[29]、阿尔茨海默病神经成像计划（ADNI）数据集[30]和ADHD-200数据集[31]。每个受试者的脑空间根据CC200图谱[32]被划分为200个ROI。我们选择CC200图谱是基于几个关键考虑因素：首先，它提供了适合全脑分析的平衡空间分辨率...
疾病特定的子网络耦合模式
我们在图3中展示了的大规模功能子网络之间的交互模式，其中连接的宽度直观地编码了它们的强度。比较分析揭示了神经发育障碍和神经退行性疾病之间的共同点和关键差异。默认模式网络（DMN）在所有条件下始终作为一个中心枢纽；然而，其特定的交互模式显示出显著的病理异质性...
结论
本研究提出了DIBrain框架，该框架将动态图适应与分层表示学习相结合，以提高脑网络分析的性能和生物学可解释性。通过动态校准连接强度并整合子网络先验，DIBrain有效弥合了数据驱动学习与神经生物学合理性之间的差距，在疾病分类和生物标志物发现方面取得了最先进的结果。
CRediT作者贡献声明
Hao Hu：撰写——审稿与编辑、原始草稿撰写、可视化、方法论、数据整理、概念化。Rundong Xue：撰写——审稿与编辑、原始草稿撰写、可视化、验证、方法论、数据整理、概念化。Shaoyi Du：撰写——审稿与编辑、原始草稿撰写、资金获取。Xiangmin Han：撰写——审稿与编辑、原始草稿撰写、方法论、形式分析。Jingxi Feng：撰写——审稿与...
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。作者没有需要声明的与本文内容相关的竞争性利益。
致谢
本工作得到了中国国家重点研发计划（项目编号2025ZD0217302）、国家自然科学基金（项目编号U24A20252、62327808和62088102）、陕西省重点研发计划（项目编号2024PT-ZCK-66和2024CY2-GJHX-48）以及广东省基础与应用基础研究重大项目（项目编号2023B0303000009）的支持。
