相較于傳統的腦影像分析，作為大腦機理探索和腦疾病研究重要工具的腦網絡計算，則側重于不同腦區之間的相互作用和連接模式，能夠更好地反映大腦作為一個整體系統的運作機制，有助于從整體角度理解大腦信息處理的方式。此外，腦網絡計算能捕捉神經活動中的非線性異常特征，分析潛在的神經機制變化，為開發基于調控大腦網絡的創新性治療手段提供理論依據。
8月18日，中國科學院深圳先進技術研究院數字所王書強課題組在人工智能權威期刊IEEE Transactions on Pattern Analysis and Machine Intelligence在線發表了題為"A New Brain Network Construction Paradigm for Brain Disorder via Diffusion-based Graph Contrastive Learning"的研究成果。首次實現了基于生成式AI優化模型的End-to-End腦網絡構建。
論文發表截圖
生成式AI通過從數據中自動學習提取隱藏的模式和規律，在模擬復雜自然過程、分析和預測科學數據等方面表現出巨大潛力。相較于傳統方法，生成式AI在學習復雜腦網絡結構和連接模式特征方面具有顯著優勢，它能從腦網絡異常特征中挖掘潛在的神經生理病理機制，為神經系統疾病的病因研究提供新線索。
與傳統的腦影像分析相比，腦網絡計算在探索大腦機理和腦疾病分析具有顯著優勢。然而，現有的腦網絡構建方法面臨著效率低、一致性差、高度經驗依賴等問題。針對上述問題，研究團隊提出了一種基于擴散-圖對比學習模型(DGCL)的腦網絡構建新范式。
具體而言，研究團隊首先通過設計的大腦區域感知模塊(BRAM)的擴散學習過程，實現個性化腦區的精準定位，避免了主觀參數選擇，并自動化對齊標準腦模板空間。然后利用圖對比學習思想，通過稀疏化冗余連接，實現個體化大腦連接優化，從而增強同一組內大腦網絡的一致性。最終通過設計節點-圖對比損失和分類損失的聯合約束機制，實現重建腦網絡優化。
DGCL模型圖
為了驗證所提出的DGCL模型在腦網絡構建和腦疾病分析任務上的通用性和泛化性，研究團隊分別在面向阿爾茨海默?。?/span>AD）的ADNI數據集和面向自閉癥障礙（ASD）的ABIDE數據集進行了大量消融實驗和對比實驗。實驗結果表明，相較于現有腦網絡構建工具，DGCL在腦網絡構建效率、可靠性（ICC），以及腦疾病預測精度等方面具有顯著優勢。
通過對AD和ASD不同階段腦網絡連接模式分析發現：兩種模式的腦網絡連通性在疾病早期都呈上升趨勢，然后在疾病中期-晚期階段時減少到較低水平。這一發現與腦科學研究中的神經連接代償機制一致。
不同腦疾病階段的腦網絡連接模式
王書強課題組長期專注于基于生成式AI的腦影像-腦網絡計算領域的研究，在腦影像增強、跨模態生成、腦網絡構建和腦疾病智能輔助診斷等方面取得一系列成果，相關工作發表在IEEE Transactions on Medical Imaging、IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Computational Imaging等權威期刊上，其中5篇入選ESI高被引論文。
王書強課題組近年來在“基于生成式AI的腦影像-腦網絡計算”方向的代表性工作
王書強研究員為該文章的通訊作者，數字所研究生宗永承為第一作者。該文章獲得國家重點研發計劃、國家自然科學基金等科技項目支持。
附件下載：