Hyuna Cho¹，Jaeyoon Sim¹，Guorong Wu²，Won Hwa Kim¹

（1. Pohang University of Science and Technology，South Korea，

2. University of North Carolina at Chapel Hill，USA）

在神经退行性大脑连接组学研究中，个体样本可被建模为图结构，其中大脑感兴趣区域作为节点，而连接组特征则作为边。随着疾病的进展，大脑网络的某些子网络会逐渐退化。这与标准的分类任务不同，后者通常假设类别（或标签）是静态且明确区分的。相反，神经退行性疾病的诊断类别在时间上表现出动态变化。精确捕捉疾病的进展对于实现准确的诊断至关重要。尽管如此，大多数现有的横截面脑网络分类方法并未充分考虑疾病的动态演变特性。

除了时间性质之外，还有几个问题使分析变得更具挑战性。 与许多现实世界的图一样，例如社交网络、分子结构，大脑网络是高维且稀疏的，即网络仅存在一小部分包含异构结构的边，然而可能的边的数量则是N² 数量级。 尽管节点和边在同质条件下是相互依赖的，但它并不普遍适用于每个大脑连接。 由于大脑网络可能表现出异质性，即不同区域在物理上相连，同质性和异质性之间的相互作用使节点和边交织在一起，并使它们的分析变得困难。

因此，捕获节点和边特征之间的局部特征对于理解这些不同关系的复杂性至关重要。 传统的图神经网络在解决图上的各种任务方面已经显示出成功的结果。 然而，它们并没有有效地强调具有不同属性的连接节点之间的细微差别或变化。这是因为卷积层在整个节点上均匀地聚合来自直接邻居节点的信息。通过重复堆叠图卷积层，信息在每个节点周围过度平均，会出现常见的过度平滑问题。

为了解决上述问题，我们提出了具有时间正则化（Adaptive Graph diffusion network with Temporal regularization，AGT）的自适应图扩散网络，用于神经退行性脑网络分类。 总体而言，AGT 有两个关键思想：1）节点变体卷积，调整不同节点范围内每个节点周围信息的平滑或粗化量。2）组级时间正则化，捕获从健康对照组到最恶化组的渐进退化过程中的连续变化。

通过节点变体卷积，在每个节点的邻居节点的最佳范围内自适应地捕获低频（即同质性）和高频（即异质性）特征。 这是通过使用具有可训练的节点缩放参数的扩散内核来实现的。 虽然典型的扩散内核使用预定义的带宽相同地平滑每个节点的特征，但我们设计了一个具有节点尺度的自适应扩散内核，可以找到最佳的每个节点的频率带宽。 因此，我们的方法可以通过连接间接节点来灵活控制每个节点的平滑或突出节点个体特征的量。 通过使用扩散核进行图卷积，获得了包含节点和边之间的联合关系的统一图嵌入。 我们的时间正则化控制潜在空间中诊断组之间的嵌入距离，以便有效捕获沿组的时间动态。

简而言之，本文的主要贡献总结如下：

（1）通过引入自适应捕获局部同质和异质特征的节点变体卷积来解决分析复杂大脑网络的挑战。 

（2）捕捉大脑网络进行性退化的连续变化，描述疾病随时间变化的时间特征。 

（3）AGT 在大脑区域分析和组间分析中都产生了神经科学上可解释的结果。

本文在两个独立的公共基准上进行了广泛的验证：阿尔茨海默病神经影像计划（Alzheimer’s Disease Neuroimaging Initiative，ADNI）和帕金森病进展标记计划（Parkinson’s Progression Markers Initiative，PPMI）数据集，以评估我们模型的普遍性和效率。

资料来源：

根据Hyuna Cho等于2024年发表在International Conference on Machine Learning题目为《Neurodegenerative Brain Network Classification via Adaptive Diffusion with Temporal Regularization》的文章缩写整理而成。

（本文责任编辑：陈劭）