中國科學院合肥物質科學研究院的科研團隊近日取得突破性進展，成功研發出一種名為高效時空多模態圖神經網絡（ET_MGNN）的新型深度學習框架。該框架通過創新技術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診斷精度，相關研究成果已發表于國際權威期刊《Neurocomputing》。
傳統腦網絡學習模型在動態建模和多模態信息整合方面存在明顯短板，難以全面捕捉大腦活動的復雜性。研究團隊從大語言模型架構中獲取靈感，開發出ET_MGNN模型。該模型采用時間滑動窗口技術，將反映腦區同步性的動態功能連接數據與提供物理約束的結構連接數據進行自適應融合，構建出更完整的動態大腦圖序列。這一創新使模型能夠同時分析大腦的功能協調與結構特征，為精準診斷奠定基礎。
ET_MGNN模型的核心優勢在于其獨特的模塊設計。通過引入RWKV模塊，模型結合了循環神經網絡處理長程依賴的能力與Transformer架構的并行計算效率，能夠更精確地模擬大腦在不同功能狀態間的動態轉換。同時，GASO圖讀取模塊的加入使模型具備識別疾病相關關鍵腦區的能力，為臨床診斷提供了可解釋的生物標志物。例如，在自閉癥診斷中，該模塊可聚焦軀體運動網絡；在阿爾茨海默病檢測中，則能精準定位默認網絡及顯著網絡中涉及記憶和注意力控制的異常區域。
實驗驗證環節，研究團隊在ABIDE II（自閉癥）和ADNI（阿爾茨海默病）等權威數據集上進行了嚴格測試。結果顯示，ET_MGNN模型在自閉癥分類任務中的準確率較現有優秀模型提升11.8%，在阿爾茨海默病與輕度認知障礙的鑒別中準確率提升達32.9%。更值得關注的是，該模型參數量較同類模型減少一個數量級，峰值顯存占用顯著降低，特別適合在資源有限的醫療環境中部署應用。
這項研究通過多模態數據融合與動態建模技術的創新，為腦疾病診斷提供了新的技術路徑。ET_MGNN模型不僅在診斷精度上實現突破，其可解釋性設計更有助于臨床醫生理解疾病機制，為個性化診療方案的制定提供科學依據。隨著模型在更多腦疾病領域的驗證應用，這項技術有望推動神經科學研究和臨床實踐的深度融合。
