相較于傳統(tǒng)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(wǎng)絡計算，則側重于不同腦區(qū)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(tǒng)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(wǎng)絡計算能捕捉神經(jīng)活動中的非線性異常特征，分析潛在的神經(jīng)機制變化，為開發(fā)基于調控大腦網(wǎng)絡的創(chuàng)新性治療手段提供理論依據(jù)。
8月18日，中國科學院深圳先進技術研究院數(shù)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(fā)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(xiàn)了基于生成式AI優(yōu)化模型的End-to-End腦網(wǎng)絡構建。
論文發(fā)表截圖
生成式AI通過從數(shù)據(jù)中自動學習提取隱藏的模式和規(guī)律，在模擬復雜自然過程、分析和預測科學數(shù)據(jù)等方面表現(xiàn)出巨大潛力。相較于傳統(tǒng)方法，生成式AI在學習復雜腦網(wǎng)絡結構和連接模式特征方面具有顯著優(yōu)勢，它能從腦網(wǎng)絡異常特征中挖掘潛在的神經(jīng)生理病理機制，為神經(jīng)系統(tǒng)疾病的病因研究提供新線索。
與傳統(tǒng)的腦影像分析相比，腦網(wǎng)絡計算在探索大腦機理和腦疾病分析具有顯著優(yōu)勢。然而，現(xiàn)有的腦網(wǎng)絡構建方法面臨著效率低、一致性差、高度經(jīng)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(wǎng)絡構建新范式。
具體而言，研究團隊首先通過設計的大腦區(qū)域感知模塊(BRAM)的擴散學習過程，實現(xiàn)個性化腦區(qū)的精準定位，避免了主觀參數(shù)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(xiàn)個體化大腦連接優(yōu)化，從而增強同一組內大腦網(wǎng)絡的一致性。最終通過設計節(jié)點-圖對比損失和分類損失的聯(lián)合約束機制，實現(xiàn)重建腦網(wǎng)絡優(yōu)化。
DGCL模型圖
為了驗證所提出的DGCL模型在腦網(wǎng)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(shù)據(jù)集和面向自閉癥障礙（ASD）的ABIDE數(shù)據(jù)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(xiàn)有腦網(wǎng)絡構建工具，DGCL在腦網(wǎng)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(yōu)勢。
通過對AD和ASD不同階段腦網(wǎng)絡連接模式分析發(fā)現(xiàn)：兩種模式的腦網(wǎng)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(fā)現(xiàn)與腦科學研究中的神經(jīng)連接代償機制一致。
不同腦疾病階段的腦網(wǎng)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(wǎng)絡計算領域的研究，在腦影像增強、跨模態(tài)生成、腦網(wǎng)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(fā)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(wǎng)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(shù)字所研究生宗永承為第一作者。該文章獲得國家重點研發(fā)計劃、國家自然科學基金等科技項目支持。
附件下載：