换一批基于图卷积神经网络的孤独症谱系障碍多模态数据融合与诊断模型研究
Development of an interpretable graph convolutional neural network for multimodal evidence integration and quantitative diagnosis of autism spectrum disorder
摘要目的 针对孤独症多模态证据融合与定量化辨识的关键问题,本研究提出基于图卷积神经网络(GCN)的孤独症谱系障碍(ASD)诊断模型研究思路.方法 通过对来源于ABIDE的ASD儿童脑部fMRI数据进行整理和筛选,提取脑区功能连接矩阵作为图结构的邻接矩阵,并融合临床表型数据,构建了ASD多模态关联网络.通过网络特征比较分析,识别出了ASD与典型发育组的脑功能连接网络组间差异.进一步地构建一个端到端的GCN模型,并尝试引入注意力机制,提高模型决策的可解释性.结果 该模型在诊断性能指标优于传统机器学习方法(准确率=0.710,精确率=0.709,召回率=0.780,F1=0.743,曲线下面积=0.746).背侧注意网络与边缘系统-颞极枢纽的功能连接减弱是模型做出判断的最主要依据.结论 以异质图为多模态数据整合的基本架构,本模型为ASD的潜在病理机制探索提供了新的方法学范例.
更多相关知识
关键词
孤独症谱系障碍图卷积网络多模态可解释性脑连接网络autism spectrum disordergraph convolutional neural networkmultimodalinterpretabilitybrain connectome
栏目名称
DOI
10.20223/j.cnki.1000-8535.2026.01.006
发布时间
2026-03-09（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（82004256）
广东省基础与应用基础研究基金（2023A1515011432）
- 浏览6
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
