簡要總結

這篇文章提出了一種名為CcSi-MHAHGEL的框架，用于基于多站點、多圖譜fMRI的功能連接網絡（FCN）分析，以輔助自閉癥譜系障礙（ASD）的識別。該框架通過多視圖超邊感知的超圖嵌入學習方法，整合多個腦圖譜構建的FCN，并引入類別一致性和站點獨立性模塊，分別優化類間區分度和降低站點偏差。實驗結果表明，該方法在ABIDE數據庫的ASD診斷任務中優于多種現有方法，并能揭示與ASD相關的腦區，具有較高的可解釋性和診斷性能。

摘要

近年來，基于功能磁共振成像（fMRI）的圖卷積網絡（GCN）的功能連接網絡（FCN）分析在腦疾病的自動診斷中顯示出了良好的應用前景，它將FCN視為不規則的圖結構數據進行處理。然而，在多站點、多圖譜fMRI場景中，FCN的多視圖信息和站點影響尚未得到充分研究。文章提出了一種名為CcSiMHAHGEL（類別一致性與站點獨立性多視圖超邊感知超圖嵌入學習）的框架，用于整合基于多個腦圖譜構建的FCN，以進行多站點fMRI研究。具體而言，對于每個受試者，首先為每個腦圖譜建模腦網絡為超圖，以表征多個頂點之間的高階關系，然后引入一種多視圖超邊感知的超圖卷積網絡（HGCN），以提取基于多圖譜的FCN嵌入。其中超邊權重是自適應學習的，而不是使用傳統HGCN中預先計算的固定權重。此外，我們設計了兩個模塊，分別考慮類別間和站點間的受試者關聯，聯合學習基于多圖譜的FCN嵌入。具體為：類別一致性模塊用于增強每個類別內的緊湊性和類別間的分離性，以提高嵌入空間的區分能力；站點獨立性模塊用于最小化嵌入與站點的依賴性，以減輕因多個站點的掃描平臺和/或協議差異導致的偏差。最終，基于多圖譜的FCN嵌入被輸入到全連接層，再通過softmax分類器進行診斷決策。在ABIDE數據庫上的廣泛實驗表明，我們的方法在識別自閉癥譜系障礙（ASD）方面是有效的。此外，我們的方法具有可解釋性，能夠揭示與ASD相關的生物學上重要的腦區。

圖一

1 引言

在過去的幾十年中，基于功能磁共振成像（fMRI）的功能連接網絡（FCN）或功能連接組已被廣泛研究，以發現用于自動診斷精神和神經疾病的潛在神經影像學生物標志物，例如自閉癥、精神分裂癥和抑郁癥。與傳統的基于癥狀的主觀診斷標準相比，FCN提供了一種客觀、可靠且無創的診斷手段，用于檢查這些腦部疾病背后的病理生理機制。具體來說，FCN自然地被描述為一個圖結構，其中頂點代表空間分布但功能上相互連接的感興趣腦區（ROIs），而邊則表示ROIs之間的功能連接（FC），通過成對ROIs的血氧水平依賴（BOLD）時間序列之間的依賴性來量化。在全腦水平上，功能連接的異常可能構成與疾病相關的生物標志物特征。

近年來，大量機器學習和深度學習模型引起了對功能連接網絡（FCN）分析的廣泛關注，用于腦部疾病的自動診斷。例如，支持向量機（SVM）被用于區分多系統萎縮癥和帕金森病，邏輯回歸被用于阿爾茨海默病的早期檢測，深度神經網絡（DNNs）被用于精神分裂癥的識別，以及其他相關研究。然而，FCN作為一個包含所有功能連接（FCs）的矩陣，通常被直接向量化后輸入到上述模型中，這導致了腦區（ROIs）之間重要的拓撲結構信息被忽視。為了揭示腦網絡中的區分性模式，FCN應該被視為不規則的圖結構數據，并作為一個整體輸入到診斷模型中，其中每個腦區代表一個頂點，其相關的功能連接（FC）特征作為頂點的屬性。

鑒于圖卷積網絡（GCN）能夠很好地處理不規則圖結構，并通過圖卷積傳播相鄰頂點的特征，基于GCN的模型在學習FCN特征表示（即FCN嵌入）方面取得了更大的成功，并因此提高了對腦部疾病的診斷性能。Cui等人已經對基于GCN的腦網絡分析進行了系統研究，并提供了模型、示例以及現成的Python軟件包。例如，Ktena等人提出了一個孿生GCN模型，用于學習FCN之間的圖相似性度量，以識別自閉癥患者與健康對照組。Qin等人研究了一種圖嵌入學習（GEL）模型，用于診斷抑郁癥，其中首先通過GCN學習FCN嵌入，然后將其輸入到由softmax函數激活的全連接層中進行最終分類。此外，Chu等人開發了一種多視圖圖嵌入學習（MGEL）模型，以利用基于多個圖譜構建的FCN的互補信息，從而在下游自閉癥診斷中，相比于僅使用單個圖譜的FCN，基于多圖譜的FCN嵌入表現出了更好的性能。

盡管當前的圖卷積網絡（GCN）在功能連接網絡（FCN）分析中表現出有效性，但在應用于多站點功能性磁共振成像（fMRI）研究時，仍存在三個主要缺陷。首先，在GCN中，頂點特征是沿著簡單圖上的腦區（ROI）之間的連接進行傳播的。然而，腦網絡可能比可以通過ROI之間的成對關系完全表示的更為復雜。換句話說，多個（超過兩個）ROI之間可能存在復雜的相互作用。其次，在GCN的學習過程中，FCN嵌入是針對每個受試者單獨考慮的，未能處理類內和類間的受試者間關聯，這種關聯可以量化每個類內的緊湊性和類間的分離性。第三，以往大多數基于GCN的多站點FCN研究通常假設來自不同站點的fMRI數據共享相同或相似的分布，然而，由于成像掃描儀和/或掃描協議的差異而導致的站點間異質性常常被忽視。這可能會導致對FCN的有偏建模，從而影響疾病診斷。

為了在多站點功能性磁共振成像（fMRI）研究中利用基于多圖譜的功能連接網絡（FCN）進行腦部疾病的診斷，提出了一個類別一致性與站點獨立性多視圖超邊感知超圖嵌入學習框架，如圖2所示。該框架主要包括以下三個部分：首先開發了一個多視圖超邊感知的超圖卷積網絡（HGCN），用于整合每個受試者基于多個圖譜構建的FCN。為此，通過超邊感知的HGCN為每個受試者學習每個圖譜對應的FCN嵌入向量，隨后結合最大池化和平均池化操作，最終將所有圖譜的FCN嵌入向量進行加權拼接，形成基于多圖譜的FCN嵌入。這里需要注意的是，將腦網絡建模為超圖，并采用HGCN而不是傳統的圖卷積網絡（GCN），以捕捉ROI之間更復雜的關系。這是因為超圖的邊（稱為超邊）可以連接超過兩個頂點（即ROI），這使得HGCN能夠在兩個層面上同時進行超邊內和超邊間的頂點特征傳播。此外，與傳統HGCN在整個超圖卷積層中預定義并保持超邊權重不變不同，在超邊感知的HGCN的每個超圖卷積層中自適應學習更靈活的超邊權重。此外，引入了兩個模塊，分別用于聯合學習基于多圖譜的FCN嵌入，以考慮類間和站點間的受試者關聯。具體來說，使用類別一致性模塊同時最小化嵌入的類內差異和類間相似性，同時采用站點獨立性模塊最小化嵌入與采集站點之間的統計依賴性，以減輕其他的站點影響。最后，將學習到的基于多圖譜的FCN嵌入輸入到幾個全連接層，隨后通過softmax分類器進行腦部疾病的檢測。

圖2?CcSi-MHAHGEL框架。首先，將腦網絡建模為超圖，并通過多視圖超邊感知的超圖卷積網絡（HGCN）為每個受試者提取基于多圖譜的FCN嵌入。此外，設計了兩個附加模塊（即類別一致性模塊和站點獨立性模塊），用于聯合學習基于多圖譜的FCN嵌入，以分別考慮類間和站點間的受試者關聯。最終，學習到的基于多圖譜的FCN嵌入被輸入到全連接層和softmax分類器中

為了驗證CcSi-MHAHGEL框架的有效性，在ABIDE數據庫中樣本量最大的前四個站點的355名受試者（包括167名自閉癥譜系障礙（ASD）患者和188名健康對照者）的基于自動化解剖標記（AAL）和哈佛-牛津（HO）圖譜的功能連接網絡（FCN）上進行了廣泛的實驗。實驗結果表明，CcSi-MHAHGEL在識別ASD方面優于其他幾種方法。此外，還在CcSi-MHAHGEL中利用了梯度加權類激活映射（Grad-CAM），以揭示與ASD相關的具有區分性的腦區（ROIs）。

總而言之，文章的貢獻有三方面：

提出了一種新穎的多視圖超邊感知的超圖卷積網絡（HGCN）基礎的功能連接網絡（FCN）嵌入學習方法，用于整合在不同空間尺度上基于多個腦圖譜構建的FCN。其中，基于多圖譜的FCN為腦網絡提供了多個視角，并且在每個視角中，腦網絡被建模為超圖（而非簡單圖），并且開發了超邊感知的HGCN（而非GCN或傳統HGCN），以捕捉腦網絡中更復雜的信息。

設計了類別一致性模塊和站點獨立性模塊，分別用于處理嵌入空間中類內和類間受試者關聯以及站點間的異質性問題。這些模塊能夠促進學習到的基于多圖譜的FCN嵌入在不同類別和站點之間具有更好的區分能力。

在ABIDE數據庫的多站點、多圖譜fMRI數據上進行的廣泛實驗表明，CcSi-MHAHGEL框架在自閉癥譜系障礙（ASD）識別方面優于其他幾種方法。

2?方法

首先回顧超圖的概念。與簡單圖（僅表征頂點之間的成對關系，也稱為二階關系）相比，超圖能夠表征多個（通常超過兩個）頂點之間的高階關系。在超圖中，每條超邊可以連接任意數量的頂點，而不僅僅是兩個頂點。換句話說，超邊是頂點的非空（且不一定是不相交的）子集。通過這種方式，超圖能夠捕捉到簡單圖無法揭示的更復雜的結構信息。

文章提出了一個CcSi-MHAHGEL框架，用于整合基于多圖譜的功能連接網絡（FCNs），以對來自不同站點的腦疾病患者（PTs）和健康對照組（HCs）進行分類，如圖2所示。具體而言，我們首先開發了一個多視圖超邊感知的超圖卷積網絡（HGCN），為每個受試者提取基于多圖譜的FCN嵌入，其中每個視圖對應于基于單一圖譜的FCN。此外，還設計了兩個附加模塊，用于聯合學習基于多圖譜的FCN嵌入，以分別考慮類間和站點間的受試者關聯。具體來說，類別一致性模塊旨在促進每個類別內的緊湊性和類別間的分離性，以增強嵌入空間中的區分能力；站點獨立性模塊則用于最小化基于多圖譜的FCN嵌入的站點依賴性，以減輕因多個站點的掃描平臺和/或協議差異而導致的其他的站點影響。最終，輸出的基于多圖譜的FCN嵌入被輸入到全連接層，隨后通過softmax分類器進行腦部疾病的診斷。

為了利用在不同腦圖集上構建的多個FSG的補充信息，提出了一種多視圖超邊感知的超圖卷積網絡（HGCN），用于提取基于多圖譜的FCN嵌入。與傳統HGCN不同，該框架中的HGCN能夠自適應學習超邊權重，而不是使用預定義的固定權重。HGCN通過超邊內的頂點特征傳播和超邊間的交互，捕捉腦網絡中復雜的高階關系。

類別一致性模塊旨在增強嵌入空間的類內緊湊性和類間可分性，從而提高基于多圖譜的功能連接網絡（FCN）嵌入在分類任務中的區分能力。具體來說，該模塊通過優化嵌入空間，使得同一類別的樣本更加接近，而不同類別的樣本更加分離。具體來說，該模塊通過以下目標函數實現：最小化類內差異，使同一類別內的嵌入盡可能接近，計算同一類別內樣本嵌入的均值，并最小化每個樣本嵌入與該類別均值之間的距離。最大化類間差異，使不同類別之間的嵌入盡可能分離。通過最大化不同類別均值之間的距離來實現。

站點獨立性模塊旨在最小化嵌入與采集站點之間的統計依賴性，從而減輕因不同站點的掃描平臺和/或協議差異導致的偏差。這對于提高模型在多站點數據上的泛化能力和穩定性至關重要。站點獨立性模塊通過以下方式實現其功能：衡量站點依賴性

使用HSIC（Hilbert-Schmidt Independence Criterion）衡量嵌入與站點之間的依賴性。HSIC是一種基于核的統計方法，用于量化兩個隨機變量之間的獨立性。具體來說，HSIC通過計算嵌入向量與站點標簽之間的核矩陣來衡量它們之間的依賴性。另一種是最小化依賴性，通過優化過程最小化HSIC值，從而減少嵌入與站點之間的依賴性。

3?結果

3.1?數據集和數據預處理

文章使用的是ABIDE數據庫的數據。ABIDE是一個公開的多站點成像數據存儲庫，包含了來自21個不同站點的自閉癥譜系障礙（ASD）患者和健康對照（HC）受試者的結構和功能成像數據。使用了來自樣本量最大的前四個站點的靜息態功能性磁共振成像（fMRI）數據，這些站點分別是紐約大學（NYU）、密歇根大學（UM）、猶他大學醫學院（USM）和耶魯兒童研究中心（YALE），涵蓋了167名ASD患者和188名HC受試者。所選ABIDE受試者的簡要總結見表1。

表1?研究中從ABIDE中選擇的受試者的人口統計學特征; F：女性，M：男性

文章從ABIDE預處理數據集(http://preprocessed-connectomes-project.org/abide)免費下載了基于靜息態功能性磁共振成像數據處理助手（DPARSF）工具箱預處理的靜息態fMRI數據，其中也提供了具體的神經影像采集參數和預處理流程。預處理流程主要包括：頭動校正、圖像配準、將圖像歸一化到標準的蒙特利爾神經研究所（MNI）空間、使用6毫米全寬半高（FWHM）高斯核進行空間平滑，以及0.01到0.1赫茲的帶通濾波。每個大腦被根據兩種不同的結構圖譜劃分為116個和111個感興趣區（ROIs）。通過計算每對ROIs的BOLD時間序列之間的Fisher z變換的Pearson相關系數，我們為每個受試者得到了兩個不同的功能連接網絡（FCN）矩陣，每個ROI的BOLD時間序列是通過計算該ROI內所有體素的時間序列的平均值得到的。

3.2?實驗設置

通過進行五次10折站點內交叉驗證來評估所提出的CcSi-MHAHGEL框架以及與之競爭的方法。對于10折站點內交叉驗證，首先將所有受試者整體劃分為10個互不相交的折疊（即子集），同時盡量保持每個折疊中站點和診斷組的比例大致相同；然后依次將每個折疊選為測試集，其余9個折疊用作訓練集。基于五種最常用的評估指標——準確率、敏感性、精確度、F1分數以及受試者工作特征曲線下面積（AUC）——我們分別報告了所有測試集中分類結果的均值和標準差（sd）。

在CcSi-MHAHGEL框架中，涉及的超參數被最優地設置如下：每個超邊包含K = 3 個頂點，針對每個基于單一圖譜的功能連接網絡（FCN），訓練了一個具有256和64個神經元的兩層超邊感知超圖卷積網絡（HGCN），其中激活函數φ采用ReLU。兩個圖譜讀出的權重系數 k1 和 k2分別被設置為0.3和0.7。我們應用了三個全連接層，每層分別有128、32和2個神經元。兩個正則化參數被設置為α=1×10-3和β=5×10-3。訓練的輪數（epoch）為30，批量大小為24，學習率為0.001。

3.3 比較方法

對于ASD識別，將CcSi-MHAHGEL與其他幾個相關基線進行了比較，包括SVM、DNN、BrainNetCNN、GEL、BrainGNN、HGEL、GAT和MGEL和MHGEL。

3.4 分類性能

表2展示了上述九種競爭方法和CcSi-MHAHGEL在自閉癥譜系障礙（ASD）識別任務中的分類結果。CcSi-MHAHGEL在所有五個評估指標上均取得了最佳的整體結果。具體而言，與其它九種競爭方法的最佳結果相比，CcSi-MHAHGEL的準確率提高了6.25%，敏感性提高了6.33%，精確度提高了9.63%，F1分數提高了7.62%，AUC提高了8.77%。這些改進通過配對t檢驗具有統計學意義，例如，準確率的p值為0.0086，AUC的p值為0.0044。

此外，多視圖方法（即MGEL、MHGEL和CcSi-MHAHGEL）在大多數評估指標上表現優于所有單視圖方法（即SVM、DNN、BrainNetCNN、GEL、BrainGNN、GAT和HGEL）。這表明，與僅使用基于單個圖譜的FCN相比，有效地利用基于多圖譜的FCN的互補信息對分類性能的提升是有益的。另一方面，基于超圖的深度學習方法（即HGEL、MHGEL和CcSi-MHAHGEL）優于其基于簡單圖的對應方法（即GEL和MGEL）。具體而言，CcSi-MHAHGEL在所有評估指標上平均至少比MGEL提高了6%的分類結果；此外，MHGEL也優于MGEL。這表明，在腦網絡分析中，超圖比簡單圖更能有效地表征腦區（ROIs）之間的高階關系，從而使超圖卷積網絡（HGCN）在ASD識別中提取更具區分性的FCN嵌入方面更具優勢。

表2.不同方法比較ASD/HC分類性能

3.5 消融研究

消融實驗，分別驗證了CcSi-MHAHGEL中超邊感知的超圖卷積網絡（HGCN）以及類別一致性模塊和站點獨立性模塊的有效性。具體來說，Cc-MHAHGEL和Si-MHAHGEL是CcSi-MHAHGEL的兩個變體，分別移除了站點獨立性模塊和類別一致性模塊）。而HAHGEL和MHAHGEL則是將HGEL和MHGEL中的傳統HGCN替換為超邊感知HGCN后的結果。從圖3可以看出，MHAHGEL在所有五個評估指標上均優于MHGEL，例如準確率提高了3.76%，AUC提高了6.58%。此外，HAHGEL在每個圖譜上的表現也優于HGEL，所有評估指標平均至少提高了3%。這表明，我們的超邊感知HGCN比傳統HGCN更強大。Cc-MHAHGEL和Si-MHAHGEL的整體性能雖然不如CcSi-MHAHGEL，但優于MHAHGEL。例如，與CcSi-MHAHGEL相比，Cc-MHAHGEL的準確率下降了0.55%，Si-MHAHGEL下降了1.06%；而與MHAHGEL相比，Cc-MHAHGEL的準確率提高了1.93%，Si-MHAHGEL提高了1.42%。這表明，類別一致性模塊和站點獨立性模塊通過考慮嵌入空間中類內和類間受試者關聯以及站點間數據的異質性，有助于提升分類性能。

圖3 CcSi-MHAHGEL中的超臨界HGCN以及類一致性和站點獨立性模塊的消融性能

3.6 共享關聯矩陣的構建

圖4展示了不同的共享關聯矩陣構造策略對超圖基礎的深度學習方法（即HGEL、MHGEL和CcSi-MHAHGEL）分類結果（即準確率）的影響。從圖4可以看出，我們在本文中采用的連接策略在所有三種方法中是最優的，與其他兩種替代構造策略相比。

圖4.三種基于超圖的深度學習方法的準確性（即，HGEL、MHGEL和CcSi-MHAHGEL）對共享發生率矩陣具有不同的構建策略

3.7 CcSi-MHAHGEL發現的最具區分性的興趣區

為了發現與自閉癥譜系障礙（ASD）最相關的具有區分性的感興趣區域（ROIs），通過應用梯度加權類激活映射（Grad-CAM），量化了每個ROI對CcSi-MHAHAHGEL分類性能的相對貢獻。具體來說，Grad-CAM利用最后一個超圖卷積層和全連接層的信息，為每個受試者的每個節點（即ROI）獲取類別激活值。對于每個圖譜，在圖5中展示了類別特定的熱圖。然后計算了所有受試者（無論類別）中每個ROI的平均激活值，以反映該區域對分類任務的貢獻。為了便于說明，因此使用BrainNet Viewer可視化了每個圖譜中最具區分性的前10個ASD相關ROIs，并相應地在圖6中計算了平均激活值。大量證據表明，作為“社交腦”網絡中的關鍵區域之一，顳中回已被廣泛報道與ASD相關。此外，在ASD患者的中額回中發現了區域同質性降低。與默認模式網絡（DMN）以及視覺空間處理、共情和記憶高度相關的楔前葉在ASD兒童中連接不足。語言缺陷是自閉癥的核心癥狀之一，顳上回參與聽覺處理，包括語言處理，但也被認為是社交認知中的一個重要結構。已報道ASD的區分性功能連接（FCs）出現在舌回，并且在ASD青少年的雙側顳枕區域（包括顳中回、枕中回、枕上回、右梭狀回、左楔葉等）中局部功能連接異常增加。總的來說，可以看出，CcSi-MHAHGEL檢測到的最具區分性的ROIs與之前自閉癥研究中報道的一致。注意，CcSi-MHAHGEL為使用的兩個圖譜檢測到的ROIs（在圖6中）有一些不重疊的區域。這是合理的，因為基于多圖譜的FCN嵌入學習的優勢之一是利用每個圖譜的互補信息，CcSi-MHAHGEL除了可以學習圖譜共享的特征外，還可以學習圖譜特定的特征。

圖5.通過將Grad-CAM應用于CcSi-MHAHGEL生成的特定類別熱圖

圖6 每個圖譜集的10個最具辨別力的ASD相關感興趣區的可視化以及由Grad-CAM計算的平均激活值。其相應的全名見表3

表3 每個腦圖集的興趣區名稱和縮寫

4.?討論

4.1 FSG嵌入的可視化

為了研究不同方法（即GEL、HGEL、MGEL和CcSi-MHAHGEL）獲得的原始功能連接網絡（FCN）特征和提取的FCN嵌入的分布，我們采用了二維t-分布隨機鄰域嵌入（t-SNE）方法，將它們的維度降低到二維，如圖7所示，其中原始FCN特征是指FCN矩陣向量化后的下三角部分。從圖7可以看出，子圖（a）和（b）中的健康對照（HC）和自閉癥譜系障礙（ASD）受試者混亂地混合在一起，沒有明顯的分界線，而在其他子圖（c）到（h）中，受試者在每個類別內表現出緊湊性（即聚集在一起），而在兩個類別之間表現出差異性（即相互分離）。特別是，CcSi-MHAHGEL在子圖（h）中展示了更好的可視化結果。這反映了區分ASD患者和HC受試者的難度，而我們的CcSi-MHAHGEL可以最好地促進ASD的識別。另一方面，可以在子圖（a）和（b）中看到特定站點的聚類（例如，橙色的UM1和綠色的USM），而在子圖（h）中，提取的基于多圖譜的FCN嵌入與采集站點之間的關系明顯減少。這表明ABIDE中確實存在特定站點的異質性，借助站點獨立性模塊（12），CcSi-MHAHGEL可以很好地對此進行校正。當將CcSi-MHAHGEL在子圖（h）中的t-SNE投影結果與MGEL在子圖（g）中的結果進行比較時，CcSi-MHAHGEL顯示出更強大的能力來提取特定類別和站點獨立的基于多圖譜的FCN嵌入，這歸功于超邊感知HGCN捕獲的高階特征表示，同時通過實施類別一致性和站點獨立性模塊來整合先驗知識。

圖7?不同方法（即GEL、HGEL、MGEL和CcSi-MHAHGEL）得到的原始功能連接網絡（FCN）特征和提取的FCN嵌入的二維t-SNE投影。圓形點表示健康對照（HC）受試者，而三角形點表示自閉癥譜系障礙（ASD）受試者。不同的顏色代表不同的站點成員，即相同顏色的受試者屬于同一個站點。

4.2 關鍵超參數的影響

研究了關鍵超參數對CcSi-MHAHGEL性能的影響，這些超參數包括：用于構建超邊的K近鄰方案中的K值，正則化參數α和β（公式13），以及在加權拼接兩個讀數以獲得基于多圖譜的FCN嵌入時的權重系數k1和k2。為了探索K值（即每個超邊中的頂點數）的敏感性，檢查了當K = 1, 3, 5, 7, 9, 11時CcSi-MHAHGEL的性能。當K = 1（即H = I）時，ROIs之間沒有關系，這意味著每個ROI不能從其鄰居那里傳播信息，因此超圖卷積層在節點級別上等同于一個標準的多層感知器。如圖8所示，當K = 3時，CcSi-MHAHGEL實現了最佳性能。這可能是因為隨著K值的增加，生成的超圖變得如此密集，以至于產生了冗余和/或有噪聲的腦網絡描述。

圖8 K近鄰超圖中具有不同K值的擬議CcSi-MHAHGEL的準確性和AUCUS結果。

在圖9中，展示了類別一致性模塊和站點獨立性模塊參數α和β對CcSi-MHAHGEL分類性能的影響，其中通過網格搜索在它們各自的范圍內（α?∈ {10-4, 5 × 10-4, 10-3, 5 × 10-3} 和 β?∈ {10-3, 2 × 10-3, 5 × 10-3, 10-2}）展示了不同α和β值下的準確率。隨著α和β值的變化，性能有輕微的波動，最優的α值為10-3，β值為5 × 10-3。

圖9 提出的CcSi-MHAHGEL在不同正則化參數α和β值下的準確率結果

圖10展示了CcSi-MHAHGEL在不同非負值的k1和k2組合下的性能，其中k1?+ k2?= 1。當k1?= 0和1時，CcSi-MHAHGEL簡化為單視圖方法（即，使用類別一致性和站點獨立性模塊的超邊感知HGEL，稱為CcSi-HAHGEL），分別僅使用基于HO的FCNs和基于AAL的FCNs。從圖10可以看出，CcSi-HAHGEL的表現優于圖3中展示的HAHGEL，例如，對于AAL圖譜的準確率提高了0.50%，對于HO圖譜的準確率提高了0.73%，這進一步驗證了兩個強制模塊的有效性。我們還測試了k1的所有其他值，范圍從0.1到0.9，步長為0.1。從圖10中可以看出，性能先增加后開始下降，k1和k2的最優值分別為k1?= 0.3和k2?= 0.7。這表明基于HO的FCNs對于ASD識別可能比基于AAL的FCNs具有更高的區分能力。這與表2中的結果一致，即（除了BrainNetCNN之外）使用基于HO的FCNs的方法總是比使用基于AAL的FCNs的方法取得更好的結果。

圖10 CcSi-MHAHGEL在不同的讀出權重系數k1和k2設置下的準確率和AUC（曲線下面積）結果

4.3 類一致性和站點獨立性模塊的概括能力

進行額外的實驗來評估類別一致性和站點獨立性模塊的泛化能力。具體來說，將這兩個模塊分別應用到GEL、HGEL、GAT、MGEL和MHGEL上。相應地得到了CcSi-GEL、CcSi-HGEL、CcSi-GAT、CcSi-MGEL和CcSi-MHGEL。然后獲取了它們在ASD/HC分類任務上的性能，如表4所示。通過比較表2中GEL、HGEL、GAT、MGEL和MHGEL的結果與表4中CcSi-GEL、CcSi-HGEL、CcSi-GAT、CcSi-MGEL和CcSi-MHGEL的結果，可以看出加入這兩個模塊可以進一步提高分類性能。這表明這兩個模塊，即類別一致性和站點獨立性模塊，能夠與不同的方法很好地泛化。

表4 CcSi-GEL、CcSi-HGEL、CcSi-GAT、CcSi-MGEL和CcSi-MHGEL的ASD/HC分類性能（平均值（標準）%）

4.4 CcSi-MHAHGEL具有三個基于圖譜的FSG的結果

在上述所有結果中，CcSi-MHAHGEL僅專注于基于兩種圖譜的FCN嵌入學習（即AAL和HO）。在這里，通過添加第三個圖譜，即Dosenbach160（DOH），來探索CcSi-MHAHGEL在基于三種圖譜的FCN嵌入學習中的有效性。使用不同組合的三種圖譜的FCN進行ASD識別的CcSi-MHAHGEL結果總結在表5中。CcSi-MHAHGEL在使用所有三種圖譜的FCN時實現了最佳性能，與使用兩種圖譜的FCN相比，準確率至少提高了4.84%。這表明，構建在更多圖譜上的FCN的效用將有助于提高CcSi-MHAHGEL在ASD/HC分類性能上的表現。

表5?使用基于三種圖譜的FCN進行ASD/HC分類的性能（平均值（標準差）%）

4.5 CcSi-MHAHGEL總體結果

在上述實驗中，考慮了來自四個主要站點的受試者。為了驗證CcSi-MHAHGEL的有效性，在整個ABIDE數據庫上進行了額外的實驗。具體來說，選擇了總共19個站點（每個站點包含超過10名受試者）。結果，共有805名受試者，其中372名ASD患者和433名健康對照（HC）案例。如表6所示的比較結果表明，與四種相關方法（即GEL、GAT、HAHGEL和MGEL）相比，CcSi-MHAHGEL具有強大的診斷能力。

表6 CcSi-MHAHGEL在整個ABIDE數據庫（包括19個站點）上的ASD/HC分類性能（平均值（標準差）%）

4.6 超邊構建方案的影響

在CcSi-MHAHGEL中，從HC和ASD兩個類別出發，通過基于ROI頂點特征之間的歐幾里得距離的K最近鄰步驟構建超邊（即H）。在此，研究了另一種常見的超邊構建方案。具體而言，在該方案中，對于每個ROI vj，超邊ej由第j行中平均功能連接網絡矩陣（來自一個類別中所有訓練受試者）的前 K%最大絕對功能連接（FC）值連接的ROIs（包括 vj?本身）組成，超圖結構也是通過連接兩個類別特定的超圖結構生成的。在實驗中，我們在CcSi-MHAHGEL中測試了 k = 1%、5%、10% 和 20%) 的情況，并獲得了最佳準確率 79.54%（標準差 3.10%）和AUC 87.72%（標準差 3.01%），這些結果略優于表2中使用超邊構建方案的CcSi-MHAHGEL的結果。可以看出，不同的超邊構建方案會影響CcSi-MHAHGEL的性能，因此，選擇或設計最適合的超邊構建方案以進一步改進CcSi-MHAHGEL將是未來研究的一個有趣方向。

4.7 局限性和未來的工作

此文章開發了一個CcSi-MHAHGEL框架，用于在多中心、多圖譜fMRI場景中識別自閉癥。在CcSi-MHAHGEL中，引入了類別一致性模塊，以考慮類內和類間受試者之間的關聯。然而，每個受試者與其他受試者的關聯僅基于其基于多圖譜的功能連接網絡（FCN）嵌入之間的距離，而未納入其他因素（例如性別、年齡和一些臨床變量），這些因素可能會進一步影響關聯的強度。在站點獨立性模塊中，使用了希爾施克（HSIC）來衡量所學習的基于多圖譜的FCN嵌入與采集站點之間的統計依賴性。作為HSIC的替代方法，還有許多其他多變量統計方法（例如，多變量互信息和距離相關性）。可以通過使用上述方法來加強類別一致性和站點獨立性，從而在未來的工作中改進當前的CcSi-MHAHGEL。此外，FCN是靜態的，忽略了時間動態性。因此，將動態FCN建模為空間-時間圖，從而在CcSi-MHAHGEL框架內實現空間-時間圖卷積網絡（GCN）或超圖卷積網絡（HGCN）將是一個有趣的方向。通過這種方式，可以同時納入每個感興趣區（ROI）的腦活動動態性和ROI之間的功能交互。?最近，基于Transformer的方法取得了成功。受學習腦網絡結構中高效注意力權重的啟發，基于Transformer的CcSi-MHAHGEL值得進一步研究。

5.?總結

這篇文章引入了一個CcSi-MHAHGEL框架，用于提取基于多圖譜的功能連接網絡（FCN）嵌入，并將其應用于多中心自閉癥譜系障礙（ASD）識別。該框架開發了超邊感知的超圖卷積網絡（HGCN），而不是傳統的圖卷積網絡（GCN）或超圖卷積網絡（HGCN），以捕捉大腦網絡中的復雜信息。此外，在嵌入空間中強制實施了類別一致性和站點獨立性模塊，分別用于考慮類內和類間受試者的關聯以及不同站點之間的異質性。具體而言，類別一致性模塊增強了嵌入的類內緊湊性和類間可分性。與此同時，站點獨立性模塊促進了站點無關嵌入的學習。最后，在ABIDE數據庫上的實驗結果表明，在ASD/HC分類方面優于幾種可比的方法。

精讀分享

1 研究背景

近年來，基于功能磁共振成像（fMRI）的功能連接網絡（FCN）分析在腦疾病自動診斷中展現出巨大潛力。FCN通過分析大腦不同區域之間的功能連接（FC）來揭示潛在的神經影像學生物標志物，用于診斷自閉癥、精神分裂癥和抑郁癥等疾病。然而，現有的基于圖卷積網絡（GCN）的FCN分析方法大多忽略了多圖譜信息和多中心數據中的站點影響，且未能充分利用超圖結構來捕捉大腦網絡中的高階關系。這篇文章提出了一種新的框架CcSi-MHAHGEL用于多中心、多圖譜fMRI數據的FCN分析，以解決上述問題。

2. 研究方法

2.1 數據來源與參與者

這篇文章使用了ABIDE數據庫中的數據，包括來自四個最大樣本量站點（紐約大學、密歇根大學、猶他大學醫學院和耶魯大學）的355名受試者（167名自閉癥譜系障礙患者和188名健康對照者）。所有受試者的靜息態fMRI數據均經過標準化預處理，并基于AAL和HO圖譜分別劃分為116和111個感興趣區（ROI），計算每對ROI之間的功能連接矩陣（FCN矩陣）。

2.2 神經影像分析流程

超圖構建：對于每個受試者，基于每個圖譜的功能連接矩陣構建超圖。超圖中的超邊能夠連接多個ROI，從而捕捉大腦網絡中的高階關系。

多視圖超邊感知超圖卷積網絡（HGCN）：提出了一種多視圖超邊感知HGCN，用于提取基于多圖譜的FCN嵌入。與傳統HGCN不同，這篇文章中HGCN能夠自適應學習超邊權重，而不是使用預定義的固定權重。

?

類別一致性模塊：通過最小化類內差異和最大化類間差異，增強嵌入的類內緊湊性和類間可分性。

站點獨立性模塊：通過最小化嵌入與采集站點之間的統計依賴性，減輕因掃描平臺和/或協議差異導致的站點影響。

2.3 統計方法與模型

這篇文章采用10折交叉驗證進行實驗，評估指標包括準確率、敏感性、精確度、F1分數和AUC。模型的超參數通過實驗優化，例如超邊包含3個頂點，HGCN網絡結構為2層，神經元數量分別為256和64。

3. 研究結果

在ABIDE數據庫的多中心、多圖譜fMRI數據上，CcSi-MHAHGEL框架在自閉癥（ASD）與健康對照（HC）分類任務中取得了顯著優于其他方法的結果。結果表明，CcSi-MHAHGEL框架在ASD識別任務中具有顯著的性能優勢，能夠更準確地區分ASD患者和健康對照者。CcSi-MHAHGEL通過整合基于多個圖譜（如AAL和HO）的FCN信息，充分利用了多視圖數據的互補性。實驗結果表明，多圖譜方法（如CcSi-MHAHGEL和MGEL）的性能優于單圖譜方法（如SVM、DNN、GEL等），表明多視圖信息對于分類性能的提升具有重要作用。與基于簡單圖的GCN方法相比，基于超圖的HGCN能夠更有效地捕捉大腦網絡中的高階關系。CcSi-MHAHGEL在性能上顯著優于基于簡單圖的方法（如GEL和MGEL），證明了超圖結構在FCN分析中的優越性。通過增強類內緊湊性和類間可分性，顯著提升了嵌入的判別能力。實驗中，加入類別一致性模塊的CcSi-MHAHGEL在分類性能上優于未加入該模塊的變體（如MHAHGEL）。通過最小化嵌入與采集站點之間的統計依賴性，有效減輕了站點異質性對分類結果的影響。實驗結果表明，CcSi-MHAHGEL在不同站點的數據上表現出良好的一致性和穩定性。

4. 討論與結論

通過2D t-SNE降維技術，展示了不同方法提取的功能連接網絡（FCN）嵌入的分布情況。結果顯示，CcSi-MHAHGEL能夠將健康對照（HC）和自閉癥（ASD）受試者更清晰地區分開來，表現出更好的類內緊湊性和類間可分性。此外，CcSi-MHAHGEL在提取的嵌入中顯著減少了站點信息的影響，表明站點獨立性模塊的有效性。

將類別一致性和站點獨立性模塊應用于其他方法（如GEL、HGEL、GAT、MGEL和MHGEL），結果表明這些模塊能夠顯著提升這些方法的分類性能。類別一致性和站點獨立性模塊具有良好的泛化能力，可以與不同的網絡架構結合使用。

在CcSi-MHAHGEL中使用三個圖譜（AAL、HO和DOH）的性能，發現相比于僅使用兩個圖譜，加入第三個圖譜可以進一步提升模型性能。這表明多圖譜FCN嵌入學習能夠充分利用不同圖譜的互補信息，從而提高ASD識別的準確性。

5. 批判性思考與展望

文章的框架引入了 類別一致性模塊，以考慮類內和類間受試者之間的關聯。然而，當前方法僅基于多圖譜功能連接網絡（FCN）嵌入之間的距離來衡量受試者之間的關聯，未納入性別、年齡和臨床變量等因素，這些因素可能進一步影響關聯強度。在站點獨立性模塊中，使用了希爾施克（HSIC）來衡量學習到的 FCN 嵌入與采集站點之間的統計依賴性。未來工作可以考慮使用其他多變量統計方法（如多變量互信息和距離相關性）來優化類別一致性和站點獨立性。此外，考慮的 FCN 是靜態的，忽略了時間動態性。未來可以將動態 FCN 建模為空間-時間圖或超圖，從而在 CcSi-MHAHGEL 框架內實現空間-時間圖卷積網絡（GCN/HGCN），以同時納入每個感興趣區（ROI）的腦活動動態性和 ROI 之間的功能交互。鑒于基于 Transformer 的方法在其他領域取得了成功，未來還可以探索基于 Transformer 的 CcSi-MHAHGEL，以高效學習腦網絡結構中的注意力權重，進一步提升模型性能。

參考文獻：

Wang, W., Xiao, L., Qu, G., Calhoun, V. D., Wang, Y.-P., & Sun, X. (2024). Multiview hyperedge-aware hypergraph embedding learning for multisite, multiatlas fMRI based functional connectivity network analysis. Medical Image Analysis, 94, 103144.