神经发育障碍疾病是一种严重影响儿童健康和家庭生活的慢性脑功能障碍性疾病，主要包括自闭症谱系障碍（ASD）、智力障碍及注意力缺陷多动障碍（ADHD）等。全球大约有15%的儿童和青少年受到这些疾病的影响。研究这些疾病的诊断和分类对于有效的早期干预或治疗、提高患者生活质量以及减轻家庭负担至关重要。目前，这些疾病的诊断主要依赖于临床专家对异常行为的量表评估，这些评估可能包含观察者内部和观察者间的主观差异。
功能性磁共振成像（fMRI）作为一种无创的成像方法，可以通过血氧水平依赖（BOLD）信号来反映脑区之间的功能连接，提供了一种较为客观的认知和情感测量方式。因此，如何利用fMRI信号构建鲁棒的神经网络以实现对神经发育障碍疾病的分类诊断是一个重要的科学问题。
近日，实验室张孝勇课题组以《A-GCL：构建对抗性图对比学习模型用于诊断神经发育障碍》（A-GCL: Adversarial Graph Contrastive Learning for fMRI Analysis to Diagnose Neurodevelopmental Disorders）为题发表在医学图像计算与计算辅助干预学会（MICCAI）的官方期刊 《Medical Image Analysis》。
针对神经发育障碍疾病的分类诊断的问题，利用fMRI数据，研究团队提出了一种新的图神经网络模型（A-GCL，图1）。该模型有效地将fMRI的BOLD信号构建成图的非欧数据结构，具体是以功能连接的皮尔逊相关矩阵构成图的边信息，以BOLD信号的低频振幅（ALFFs）构成图的节点信息。构图之后，我们设计了一个可学习的伯努利掩码去减少冗余的功能连接，以提升网络的分类性能。同时，利用了对比学习的思想，将整个网络流程设计成自监督学习和监督学习的Two-stage的训练方式。上述学习过程，我们称为“对抗-对比”学习。另外，为了提升对比学习的能力，我们设计了一个动态的“记忆银行”存贮不同batch之间的隐向量，从而达到增加负样本多样性的目的。通过上述网络设计思想，我们的研究目标是实现神经发育障碍疾病的准确分类诊断。
▲图1.对抗图对比学习的框架图
研究团队在3个数据集上进行了A-GCL与其他十种竞争的最先进方法（SOTA）的效果比较，这3个数据集包括2个自闭症谱系障碍脑影像数据（ABIDE I和ABIDE II）和一个注意力多动缺陷障碍脑影像数据（ADHD-200）。
如表1所示，A-GCL在曲线下面积（AUC）、准确率（accuracy）、精确率（precision）、召回率（recall）等指标方面均优于传统的机器学习方法和基于图神经网络的SOTA方法。
▲表1: A-GCL和10个SOTA方法在ABIDE I，ABIDE II 和ADHD数据集上的性能对比
研究团队还进行了大量的消融实验，涵盖了不同模板、图神经网络编码器、编码维度、损失函数和图数据增强方式。此外，还验证了对抗学习的有效性以及节点特征和边权重的有效性（图2）。除了数值结果外，本研究还进行了与A-GCL的解释性相关的实验，包括伯努利掩码的可视化、生物标志物在脑区和功能连接层面的可视化等方面的实验。
▲图2: ALFF（节点信息）和FC（边权重）对于基于图神经网络的模型结果影响的对比
研究结果显示，A-GCL不仅在算法性能方面表现出优越性，而且通过A-GCL提取的生物标志物在脑区层面与已知的临床重要脑区具有高度的重叠。同时，两个ABIDE数据集（ABIDE I 和 ABIDE II）中的重要脑区之间显示出显著的相关性，而ABIDE数据集与ADHD之间的相关性相对较低，进一步验证了A-GCL特征提取的有效性。上述结果表明A-GCL在神经发育障碍诊断方面具有显著的优势。
这为我们对神经发育性疾病的理解提供了新的视角，并为未来的潜在基因分析和可能的亚型分类提供了新方法。
复旦大学计算神经科学与类脑智能教育部重点实验室博士生张圣杰、陈翔及北京师范大学的博士生沈昕为该论文的共同第一作者。上海科技大学沈定刚教授和电子科技大学蒋希副教授对本文做出了重要贡献。计算神经科学与类脑智能教育部重点实验室张孝勇青年研究员为论文的通讯作者，复旦大学大数据学院周渊青年研究员为共同通讯作者。本课题受到国家自然科学基金、上海市科技重大专项等经费赞助。
原文链接：https://www.sciencedirect.com/science/article/pii/S1361841523001925
GitHub的链接：https://github.com/qbmizsj/A-GCL
