基于图切片Wasserstein距离的脑功能网络全局拓扑相似性测度研究

针对脑功能网络全局拓扑结构最优传输问题，江苏科技大学团队提出图切片Wasserstein(GSW)距离与切片Wasserstein图(SWG)核，通过Laplacian特征映射构建概率测度，在ADHD-200/ABIDE/ADNI数据集上验证了该方法对脑疾病分类的显著提升，为脑网络拓扑差异分析提供了新工具。

　　

人脑如同精密的通信网络，功能磁共振成像(fMRI)技术让我们得以窥见其中复杂的信息传输模式。这些模式可抽象为脑功能网络(Brain Functional Networks)，其中脑区作为节点，功能连接作为边，成为研究脑疾病病理机制的重要窗口。然而现有基于Wasserstein距离的研究多聚焦于特定拓扑结构(如树状或金字塔结构)的最优传输，忽视了全局拓扑层面的分析。这一局限使得脑疾病诊断中关键的网络级差异可能被遗漏。

江苏科技大学计算机学院的研究团队在《Pattern Recognition》发表的研究中，创新性地提出图切片Wasserstein(GSW)距离和切片Wasserstein图(SWG)核。该方法通过Laplacian矩阵特征分解构建节点嵌入，将脑网络映射到欧氏空间，计算一维概率测度的最优传输成本。研究证明GSW是严格的距离度量，SWG核具有正定性，在ADHD-200、ABIDE和ADNI三大数据集上，该方法显著优于现有图核和图神经网络，对早期/晚期轻度认知障碍(EMCI/LMCI)的分类准确率提升尤为突出。

关键技术包括：1)基于Laplacian矩阵特征分解的节点嵌入；2)构建一维概率测度计算GSW距离；3)通过SWG核支持向量机(SVM)分类。实验采用交叉验证，对比Weisfeiler-Lehman子树核(WL-ST)、随机游走核(RW)等7种基线方法。

【研究结果】

1. 统计差异分析：GSW距离成功检测到EMCI/LMCI患者与正常对照(NCs)的脑网络拓扑差异，识别出左额下回(IFG.L)等关键脑区。
2. 分类性能：在EMCI vs NCs任务中SWG核达到89.7%准确率，较最优基线提升6.2%；LMCI分类任务中AUC值达0.932。
3. 拓扑特征：通过t-SNE可视化证实SWG核能有效区分不同疾病状态的网络拓扑模式。

该研究首次将切片Wasserstein理论拓展至脑网络全局拓扑分析，为理解脑疾病的信息传输障碍提供了新视角。临床意义上，GSW距离可量化网络级病理变化，SWG核的优异分类性能使其有望成为脑疾病辅助诊断的新工具。未来研究可进一步探索该方法在其他神经精神疾病(如阿尔茨海默病)中的应用价值。