中國科學(xué)院合肥物質(zhì)科學(xué)研究院的科研團(tuán)隊(duì)近日取得突破性進(jìn)展，成功研發(fā)出一種名為高效時(shí)空多模態(tài)圖神經(jīng)網(wǎng)絡(luò)（ET_MGNN）的新型深度學(xué)習(xí)框架。該框架通過創(chuàng)新技術(shù)顯著提升了阿爾茨海默病和自閉癥譜系障礙等腦疾病的自動(dòng)診斷精度，相關(guān)研究成果已發(fā)表于國際權(quán)威期刊《Neurocomputing》。

傳統(tǒng)腦網(wǎng)絡(luò)學(xué)習(xí)模型在動(dòng)態(tài)建模和多模態(tài)信息整合方面存在明顯短板，難以全面捕捉大腦活動(dòng)的復(fù)雜性。研究團(tuán)隊(duì)從大語言模型架構(gòu)中獲取靈感，開發(fā)出ET_MGNN模型。該模型采用時(shí)間滑動(dòng)窗口技術(shù)，將反映腦區(qū)同步性的動(dòng)態(tài)功能連接數(shù)據(jù)與提供物理約束的結(jié)構(gòu)連接數(shù)據(jù)進(jìn)行自適應(yīng)融合，構(gòu)建出更完整的動(dòng)態(tài)大腦圖序列。這一創(chuàng)新使模型能夠同時(shí)分析大腦的功能協(xié)調(diào)與結(jié)構(gòu)特征，為精準(zhǔn)診斷奠定基礎(chǔ)。

ET_MGNN模型的核心優(yōu)勢在于其獨(dú)特的模塊設(shè)計(jì)。通過引入RWKV模塊，模型結(jié)合了循環(huán)神經(jīng)網(wǎng)絡(luò)處理長程依賴的能力與Transformer架構(gòu)的并行計(jì)算效率，能夠更精確地模擬大腦在不同功能狀態(tài)間的動(dòng)態(tài)轉(zhuǎn)換。同時(shí)，GASO圖讀取模塊的加入使模型具備識(shí)別疾病相關(guān)關(guān)鍵腦區(qū)的能力，為臨床診斷提供了可解釋的生物標(biāo)志物。例如，在自閉癥診斷中，該模塊可聚焦軀體運(yùn)動(dòng)網(wǎng)絡(luò)；在阿爾茨海默病檢測中，則能精準(zhǔn)定位默認(rèn)網(wǎng)絡(luò)及顯著網(wǎng)絡(luò)中涉及記憶和注意力控制的異常區(qū)域。

實(shí)驗(yàn)驗(yàn)證環(huán)節(jié)，研究團(tuán)隊(duì)在ABIDE II（自閉癥）和ADNI（阿爾茨海默病）等權(quán)威數(shù)據(jù)集上進(jìn)行了嚴(yán)格測試。結(jié)果顯示，ET_MGNN模型在自閉癥分類任務(wù)中的準(zhǔn)確率較現(xiàn)有優(yōu)秀模型提升11.8%，在阿爾茨海默病與輕度認(rèn)知障礙的鑒別中準(zhǔn)確率提升達(dá)32.9%。更值得關(guān)注的是，該模型參數(shù)量較同類模型減少一個(gè)數(shù)量級(jí)，峰值顯存占用顯著降低，特別適合在資源有限的醫(yī)療環(huán)境中部署應(yīng)用。

這項(xiàng)研究通過多模態(tài)數(shù)據(jù)融合與動(dòng)態(tài)建模技術(shù)的創(chuàng)新，為腦疾病診斷提供了新的技術(shù)路徑。ET_MGNN模型不僅在診斷精度上實(shí)現(xiàn)突破，其可解釋性設(shè)計(jì)更有助于臨床醫(yī)生理解疾病機(jī)制，為個(gè)性化診療方案的制定提供科學(xué)依據(jù)。隨著模型在更多腦疾病領(lǐng)域的驗(yàn)證應(yīng)用，這項(xiàng)技術(shù)有望推動(dòng)神經(jīng)科學(xué)研究和臨床實(shí)踐的深度融合。