中國科學院合肥物質科學研究院的科研團隊近日取得重要突破，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。該成果已發表于國際學術期刊《Neurocomputing》，為阿爾茨海默病和自閉癥譜系障礙等腦疾病的自動診斷提供了更精準的技術支持。
傳統腦網絡學習模型在處理動態變化和多模態數據融合時存在明顯短板。研究團隊針對這一難題，借鑒大語言模型的結構設計理念，創新性地開發出ET_MGNN模型。該模型通過時間滑動窗口技術，將反映腦區活動同步性的動態功能連接數據與提供解剖約束的結構連接數據進行自適應整合，構建出能夠全面反映大腦動態變化的圖序列。
在技術實現上，ET_MGNN模型引入了雙重創新機制：一方面采用RWKV模塊，將循環神經網絡的長程依賴捕捉能力與Transformer架構的并行計算優勢相結合，顯著提升了模型對大腦功能狀態轉換的模擬精度；另一方面通過GASO圖讀取模塊，能夠自動識別與疾病高度相關的關鍵腦區，為臨床診斷提供可解釋的生物標志物。這些技術突破使模型在保持高效運算的同時，具備了更強的病理分析能力。
實驗驗證環節，研究團隊在自閉癥國際數據集ABIDE II和阿爾茨海默病研究數據集ADNI上進行了系統性測試。結果顯示，在自閉癥分類任務中，ET_MGNN模型較現有最優模型的準確率提升11.8%；在阿爾茨海默病與輕度認知障礙的鑒別診斷中，準確率提升達32.9%。特別值得關注的是，該模型參數量較同類模型減少一個數量級，顯存占用峰值顯著降低，這種輕量化設計使其更適用于醫療資源有限的基層診療場景。
在病理機制探索方面，ET_MGNN展現出獨特的診斷價值。針對自閉癥患者，模型能夠準確識別軀體運動網絡的異常活動；對于阿爾茨海默病患者，則可精準定位默認網絡和顯著網絡中與記憶、注意力控制相關的病變腦區。這種基于腦功能網絡的病理分析方式，為理解腦疾病的神經機制提供了新的研究范式。
