23、Meta-RegGNN：利用图神经网络和元学习预测言语和全量表智力分数

Meta-RegGNN：利用图神经网络和元学习预测言语和全量表智力分数

在神经科学领域，解密人类大脑结构中的智力信息对于特定神经系统疾病的检测至关重要。近年来，功能脑连接组被成功用于预测行为分数，但现有方法存在忽视连接组拓扑特性以及无法解决高个体间大脑异质性的问题。为解决这些问题，研究人员提出了一种通过元学习的新型回归图神经网络——Meta - RegGNN。

研究背景

• 自闭症诊断挑战 ：自闭症（ASD）是一种神经发育障碍，患者在儿童、青少年和成年期健康问题发生率较高，且有较高的早期死亡风险。由于症状严重程度差异大且缺乏病理生理标志物，ASD诊断仍是一项具有挑战性的任务。
• 脑连接组预测认知分数 ：近年来，机器学习技术成为计算机辅助诊断的主要途径，功能脑连接组被用于预测认知指标，如智商（IQ）分数。功能脑连接组描述了大脑网络结构，由静息态磁共振成像（MRI）得出，被建模为图，节点表示感兴趣的解剖区域（ROI），边表示ROI对之间的活动相关性。
• 现有方法的局限性 ：
  • 传统方法 ：如Shen等人开发的数据驱动协议CPM，Dryburgh等人采用CPM分别评估大脑区域的负相关和正相关，但这些方法通过向量化将脑连接组矩阵扁平化，忽略了连接组的图结构，未充分利用其丰富的局部和全局拓扑特性。
  • 图神经网络（GNN） ：GNN可以处理复杂的图数据，在非欧几里得空间学习方面表现出色，但用于认知分数预测的研究较少。