近日，医学部生物医学工程学院雷柏英、汪天富教授团队在顶级期刊IEEE Transactions on Medical Imaging（影响因子8.9）上发表题为“Knowledge-aware Multisite Adaptive Graph Transformer for Brain Disorder Diagnosis”的学术论文。宋雪刚助理教授为第一作者，硕士生舒凯翔为第二作者，雷柏英特聘教授为通讯作者。深圳大学为第一作者单位和通讯单位。

脑疾病的精准诊断对于制定有效的治疗方案至关重要，静息态功能磁共振成像 (rs-fMRI) 能够反映大脑的功能连接状态，为脑疾病诊断提供了重要的影像学依据，但是基于rs-fMRI的脑疾病诊断通常受到复杂成像特征和样本量的限制。图卷积网络 (GCN) 通过捕获个体与群体之间的交互作用，在脑疾病诊断方面取得了显著成功。

然而，现有方法存在三个主要局限性：首先，在构建图边时考虑了非成像信息，但忽略了不同特征对非成像信息的敏感性差异，导致信息利用不充分；其次，只关注建立被试（即个体和群体）之间的交互作用，而忽略了特征之间的关系，限制了模型的表达能力；最后，多中心数据增加了样本量，有助于分类器训练，但中心间的异质性在一定程度上限制了性能。

本文提出了一种基于知识感知的多中心自适应图Transformer用于脑疾病智能诊断方法，可以有效解决上述问题。首先，评估特征对每条非成像信息的敏感性，然后构建特征敏感和特征不敏感子图，实现对非成像信息的精细化利用。然后，在融合上述子图后，集成Transformer模块来捕获rs-fMRI特征之间的内在关系，提升模型对复杂关系的建模能力。最后，设计了一个使用多个损失函数项的域自适应GCN，以缓解数据异质性提升模型的跨中心泛化能力。

为了验证提出方法的有效性，本文在MCI诊断和ASD诊断数据集上进行了全面的实验，采用的脑网络构建方法包括 Pearson 相关 (PC)、稀疏表示 (SR) 和部分稀疏低秩表示 (PSLR)，结果表明，在上述方法构建的脑功能网络实验中，新方法均获得了最好的性能。

论文链接：
https://ieeexplore.ieee.org/document/10663452