科研学术

　　近日，我校生命科学与技术学院neuSCAN团队在美国电气和电子工程师协会（IEEE）人工智能及机器学习领域国际顶级期刊IEEE Transactions on Neural Networks and Learning Systems发表题为Adversarial Learning Based Node-Edge Graph Attention Networks for Autism Spectrum Disorder Identification（一种用于孤独症识别的基于对抗学习的“节点-边”图注意力网络模型）的研究成果。团队2020级硕士研究生陈钰中为论文第一作者，蒋希副研究员为论文通讯作者，电子科技大学为论文第一署名单位。

图一 论文提出的孤独症识别诊断模型整体框架

　　孤独症谱系障碍（Autism Spectrum Disorder，ASD）是一种神经系统发育障碍，症状主要表现为社交及言语障碍、重复刻板行为及兴趣狭窄，通常在儿童早期出现症状并持续终身，已成为全球重大公共卫生问题。根据世界卫生组织最近的一份报告，孤独症的发病率为每160名儿童中就有1人，并且逐年增加，中国的发病率为1%。目前没有彻底治愈孤独症的有效方法，主要通过行为干预等手段。对孤独症患者进行诊断和干预越早，其预后效果越好。由于孤独症存在较强的临床表型异质性等问题，导致现有方法的识别准确率低、误诊率和漏诊率高。

　　近年来，随着深度学习方法的快速发展，基于深度学习模型和大脑磁共振影像数据对包括孤独症在内的脑疾病辅助识别诊断受到越来越多的关注。但由于不同机构间脑影像数据采集设备等因素的差异性，以及孤独症患者个体症状的异质性，给深度学习模型的准确性和适用性带来了巨大挑战。本论文针对现有方法在模型性能和适用性的局限性，开发了一种基于对抗学习的“节点-边”图注意力网络模型，试图从以下几个方面提高孤独症识别准确率：一、通过结合注意力机制同时利用大脑网络的节点和边的特征进行图分类，以提高模型在图分类任务上的性能；二、结合磁共振脑影像结构和功能多模态信息，而非单一模态，进行分类，充分利用大脑不同模态数据间的互补信息；三、 采用对抗学习策略训练模型，提高分类模型在不同个体以及不同机构采集的数据集之间的通用性和鲁棒性；四、 采用一种基于梯度显著性的可解释性方法识别出对孤独症识别诊断起重要贡献的大脑区域及连接。

图二 论文提出的“节点-边”图注意力网络核心模块

 　　论文使用全世界最大的孤独症脑影像公开数据库之一Autism Brain Imaging Data Exchange I（ABIDE I）进行模型测试。该公开数据库包括来自全世界17个不同机构采集的1112名个体脑影像多模态数据（其中孤独症患者539名，正常发育个体573名，年龄范围7-64岁）。实验结果表明论文提出的新模型在所有17个不同机构采集的数据集上均取得了理想的识别准确率，并且优于现有其他方法。此外，论文提出的模型可解释性方法成功发现对于识别孤独症患者起重要作用的与默认网络、心智、语言理解、运动等相关的大脑区域及连接，并且与孤独症症状密切相关，从而为探索孤独症有效的生物标记物提供了有效线索。

图三 论文发现的对于识别孤独症患者起重要作用的大脑区域及连接

 　　论文得到了国家自然科学基金、四川省科技计划应用基础研究面上项目、广东省科技计划重点项目、北京市科技委项目、江苏省卫健委重点项目的支持。

　　蒋希，生命学院生物医学工程系副研究员、硕士生导师，研究方向为神经影像计算。主持多项国家及省部级科研项目，发表国际知名期刊和会议论文130余篇。谷歌学术总引用2400余次，h指数25，i10指数52。担任脑影像国际知名期刊Frontiers in Neuroscience-Brain Imaging Methods副主编及20余个国际重要期刊及会议评审。曾获得2018-19年度美国李氏基金会杰出成就奖之学术发展奖（全国唯一获奖者）、2016年国家优秀自费留学生奖等多项荣誉。

　　IEEE Transactions on Neural Networks and Learning Systems为中科院大类一区top期刊，主要发表有关神经网络和相关学习系统的理论、设计和应用的技术文章。CiteScore排名计算机科学大类计算机网络与通信子类所有期刊3/334，以及人工智能子类所有期刊5/227，2020年影响因子10.451。

　　论文链接：https://ieeexplore.ieee.org/document/9733410