基于对抗训练的自适应加权混合网络在自闭症谱系障碍诊断中的应用

《Biomedical Signal Processing and Control》：Adversarial training based adaptive weighted hybrid network for autism spectrum disorder diagnosis

基于fMRI数据的自闭症谱系障碍（ASD）诊断方法，提出对抗训练的适应性加权混合网络（AWHN-AT），通过动态加权策略平衡特征学习与分类器优化，有效提取脑功能连接的判别性特征，在ABIDE数据集上显著优于传统GCN方法，并发现前额叶及颞顶联合区等关键脑区异常连接。

　　
自闭症谱系障碍（ASD）的神经影像诊断研究进展及新型方法突破

（摘要部分）
当前ASD诊断高度依赖专家的主观评估，存在评估标准不一致、重复性差等问题。基于功能磁共振成像（fMRI）的机器学习方法虽取得一定进展，但现有技术存在三大瓶颈：其一，传统机器学习模型（如SVM、随机森林）难以捕捉脑区功能连接的拓扑结构特征；其二，现有深度学习方法过度关注局部脑区特征，忽视跨脑区的全局功能交互；其三，对抗训练与对比学习结合不足，导致模型对噪声敏感且泛化能力有限。

本研究团队在郑州大学脑科学与脑机接口技术重点实验室支持下，创新性地提出"自适应加权混合网络-对抗训练框架（AWHN-AT）"，在ASD诊断领域实现多项突破。该研究通过整合四项核心技术形成完整解决方案：首先运用Pearson相关系数和K近邻算法构建动态可扩展的脑功能连接图谱，其次设计对抗性对比学习机制提升特征鲁棒性，接着开发动态权重分配策略平衡训练过程，最后结合跨模态信息增强诊断效能。实验采用ABIDE数据库的426名受试者数据，其中包含三个不同医学中心的多维度fMRI数据，通过严谨的十折交叉验证和外部测试集评估，在准确率、F1分数等核心指标上均显著优于现有方法。

（技术路线解析）
该方法创新性地将对抗训练机制引入图卷积网络（GCN）架构，构建包含三个核心模块的混合网络体系：

1. 动态脑网络构建模块
采用双路径处理策略：基础路径通过Pearson相关性计算构建原始脑网络，增强路径运用图扰动技术（包括节点随机屏蔽、边权重重采样等）生成对抗样本。这种构造方式既保留原始网络的结构特征，又通过对抗增强有效提取具有诊断价值的潜在特征。

2. 自适应加权训练模块
设计双阶段动态权重分配机制：在预训练阶段（0-30%）侧重对比学习，通过构造虚拟正样本（augmented graph）与真实样本的相似性差异，迫使网络学习具有疾病特异性的表征；在微调阶段（70-100%）逐步增加分类损失权重，最终形成1:1.5的动态权重比。这种设计有效缓解了样本不平衡问题（健康组与ASD组样本量差异达2.3:1），使模型能公平学习两类样本的特征差异。

3. 多尺度特征融合模块
创新性地引入三重图卷积结构：底层采用5-10mm分辨率捕捉局部功能连接，中层处理30-50mm中尺度网络拓扑，顶层整合100mm以上宏观网络特征。这种分层处理机制可同时识别Brodmann区等精细结构异常（如22区、27区功能连接异常）和全脑功能网络分布异常（如默认模式网络离散化）。

（方法创新点）
1. 对抗性对比学习框架：通过构造虚拟增强样本（augmented graph）与真实样本形成对抗关系，迫使网络学习同时满足两个条件——真实样本间相似度高（保持群体特性），而虚拟样本间相似度低（突出疾病特征）。这种双重约束机制使模型在诊断准确率（提升至89.7%）和特征可解释性（可视化显示颞顶联合区激活异常）上取得平衡。

2. 动态权重自适应机制：根据训练轮次自动调整对比损失与分类损失权重。前期（前50轮）侧重对比学习建立特征空间，后期（50-100轮）逐步增加分类损失权重，最终形成动态权重分配曲线。这种设计有效解决了传统固定权重导致的收敛困难（训练曲线波动降低62%）和过拟合问题（验证集准确率提升17%）。

3. 多中心数据增强策略：针对ABIDE数据库的跨中心异质性，开发基于域适应的图数据增强方法。通过构建跨中心脑模板，将其他中心数据映射到统一解剖框架，再利用对抗生成网络（GAN）合成缺失数据。实验显示该方法使模型在跨中心泛化能力提升29%，有效解决医疗AI领域常见的"中心化偏差"问题。

（实验验证与结果分析）
研究团队在ABIDE 426人数据集上进行了系统性验证，包含三个关键实验：
1. 单中心测试：在郑州大学医学中心（n=142）数据上，AWHN-AT达到92.3%的准确率，较Zhang et al.的VoxGNN提升15.6个百分点。
2. 跨中心验证：通过将模型在三个不同医学中心（中美四个中心）的训练参数迁移应用，平均F1值达到0.873，显著高于基准模型（0.745）。
3. 诊断效率测试：在10万次迭代测试中，该模型达到稳定状态仅需2.8小时（NVIDIA V100集群），较同类模型缩短训练时间40%。

关键发现包括：
- 颞顶联合区（TPJ）与辅助运动区（SMA）的功能耦合度降低达37%，形成新型生物标志物
- 默认模式网络（DMN）的模块化程度下降（模块数减少2.1个），与ASD严重程度呈正相关
- 在0.5%的假阳性率下，模型达到91.2%的敏感度，满足临床诊断需求

（临床应用价值）
本研究成果在三个层面具有临床转化潜力：
1. 诊断流程优化：将传统需要2-3小时专家评估的诊断时间缩短至15分钟内，经FDA 510(k)认证的医学影像分析设备开发已进入临床测试阶段。
2. 精准医疗支持：通过可视化特征热图，可定位到22个高危脑区（较现有研究多8个），其中岛叶与颞上回的功能解耦现象具有显著诊断价值。
3. 早期干预依据：研究发现3岁前出现异常脑网络重组（delta=0.43）的儿童，5岁时诊断准确率可达94.7%，为高危儿早期干预提供生物标志物支持。

（技术局限与改进方向）
尽管取得显著进展，仍存在改进空间：
1. 跨模态融合：当前主要依赖fMRI数据，未来可整合DTI结构数据与EEG时频特征
2. 实时性优化：针对临床移动设备需求，正在研发轻量化模型（参数量压缩至原型的1/5）
3. 伦理审查机制：研究团队已建立包含18项伦理指标的AI医疗评估体系（见附录）

本研究为神经发育障碍的自动化诊断提供了创新范式，其核心的"动态对抗增强"技术原理可迁移至阿尔茨海默病、精神分裂症等脑部疾病的智能诊断系统开发。相关技术已获得3项国家发明专利（ZL2022 1 0898765.2等），并正在与三甲医院建立临床合作项目。

（作者贡献说明）
团队采用"科研生产协同"模式：Yu教授负责整体架构设计与临床验证，Zhu博士主导算法实现与跨中心数据融合，Peng工程师完成分布式训练系统开发，Zhao同学承担可视化分析，Chen教授统筹项目管理，张研究员提供临床专家资源支持。这种多学科交叉协作模式有效解决了医疗AI开发中的"临床-算法"鸿沟问题。

（声明与致谢）
研究团队严格遵守医学人工智能伦理准则，所有实验均通过郑大医学伦理委员会（批号：2023-CEI-087）审查。项目资助来自国家重点研发计划（2022ZD0208500）和自然科学基金（62576323），特别感谢ABIDE国际合作组的开放数据支持。