基于群体图的自闭症谱系障碍识别框架H-GWNN：攻克数据异质性的创新方法

为解决多站点功能磁共振成像(fMRI)数据异质性导致的分类瓶颈，研究人员提出了一种基于群体图的同质化图小波神经网络(H-GWNN)框架。通过平衡同质化算法(BHA)处理数据差异，融合影像与表型数据构建群体图，并动态调整图小波尺度提取关键特征。在ABIDE自闭症数据集上实现83.58%的分类准确率，显著优于传统图卷积网络(GCN)，为自闭症谱系障碍(ASD)的精准识别提供了新范式。

　　

当深度学习遇上多站点功能磁共振成像(fMRI)数据，自闭症谱系障碍(ASD)研究迎来新突破！传统图卷积网络(GCN)囿于固定尺度的邻居信息聚合，难以应对复杂的大脑网络特征。这项研究祭出杀手锏——同质化图小波神经网络(H-GWNN)，像智能显微镜般动态调节观察尺度：先用量身定制的平衡同质化算法(BHA)消除数据"方言差异"，再将影像与表型数据熔铸成群体图，最后通过图小波神经网络的"多尺度探针"精准捕获关键生物标记。在权威自闭症数据集ABIDE上的表现堪称惊艳：83.58%的分类准确率一骑绝尘，不仅攻克了数据异质性难题，更揭示了最优尺度下的神经机制。这项研究为脑疾病诊断装上了可调节的"科学透镜"，让隐藏在大脑连接组中的ASD指纹无所遁形！