跨特征互学习框架：融合时空特征解析脑疾病诊断新范式

本文提出创新的跨特征互学习框架(CFML)，通过时间序列(TC)与功能网络连接(FNC)特征的协同知识迁移，突破传统fMRI单特征分析的局限性。该框架采用对比学习机制最大化异质脑特征网络互信息，在精神分裂症(85.1%)和自闭症(72.3%)分类中显著优于16种现有方法3.0-9.2%，其注意力机制揭示的生物学相关区域更具临床解释价值。

　　

HIGHLIGHTS

• 首创跨特征互学习范式，实现时间动态(TC)与空间连接(FNC)特征的协同优化

• 端到端框架整合特征提取、跨模态知识迁移与分类决策于一体

• 基于对比学习的特征交换机制最大化异质脑网络互信息

• 在大型多中心数据集上取得85.1%（精神分裂症）和72.3%（自闭症）的分类准确率

• 注意力可视化揭示与临床症状相关的生物标志物网络

INTRODUCTION

精神病学诊断面临的复杂病理机制和临床症状重叠问题，使得基于DSM标准的鉴别诊断极具挑战性。功能磁共振成像(fMRI)作为非侵入性成像技术，为精神障碍异常机制研究提供了客观手段。传统方法多采用单一特征分析或简单特征拼接策略，未能充分挖掘时空特征的互补信息。

MATERIALS AND METHODS

本研究采用多中心fMRI数据，预处理流程包括：

1. 时间特征(TC)编码器：通过特征序列化模块将4D数据转化为时空标记

2. 网络特征(FNC)编码器：采用多头注意力机制捕捉全脑功能连接模式

3. 跨特征融合模块：通过三重损失函数（特征特异性损失、特征交换损失、联合损失）优化互信息传递

RESULTS

• 显著超越16种基线方法（包括3种传统机器学习与13种深度学习方法）

• 动态FNC分析显示前额叶-边缘系统连接异常具有疾病特异性

• 消融实验验证特征交换机制带来5.8%性能提升

DISCUSSION

CFML框架的创新性体现在：

1. 首次实现TC与FNC编码器的双向知识蒸馏

2. Transformer架构有效捕获脑区远程依赖关系

3. 对比学习使模型聚焦临床相关功能网络

CONCLUSION

本研究通过：

1. 设计特征序列化模块处理高维时空数据

2. 开发多尺度注意力机制解析脑网络层级结构

3. 建立跨特征对比学习目标函数

   为脑疾病诊断提供了可解释的新型计算框架