近日，中国科学院合肥物质院健康所李海研究员团队在知名学术期刊《Neurocomputing》上发表了题为“Multi-modal dynamic brain graph representation learning for brain disorder diagnosis via temporal sequence model”的研究成果。该研究提出了一种名为ET_MGNN（高效时空多模态图神经网络）的新型深度学习框架，显著提升了阿尔茨海默病（AD）和自闭症谱系障碍（ASD）等脑疾病的自动诊断准确率 。

理解大脑的复杂活动需要同时关注功能协调和结构解剖。然而，现有的脑网络学习模型在处理动态建模和多模态信息融合方面仍存在局限。为了克服这些挑战，科研团队受大语言模型架构（特别是RWKV架构）的启发，开发了ET_MGNN模型。该模型的核心创新点包括：（1）通过时间滑动窗口技术，将反映脑区同步性的动态功能连接（DFC）与提供物理约束的结构连接（SC）进行自适应融合，构建出更全面的动态大脑图序列；（2）创新性地引入了RWKV模块，该模块结合了循环神经网络（RNN）捕获长程依赖的能力和Transformer并行计算的高效性，能够更精准地模拟大脑在不同功能状态间的动态切换。（3）引入了GASO图读取模块，能够识别出与疾病高度相关的关键脑区，为临床诊断提供直观的生物标志物。

研究团队在ABIDE II（自闭症）和ADNI（阿尔茨海默病）等国际公认的数据集上进行了验证。实验结果显示：在自闭症（ASD）的分类任务中，ET_MGNN相比于性能优秀的STAGIN模型，分类准确率平均提升了11.8%。在阿尔茨海默病（AD）与轻度认知障碍（MCI）的鉴别中，准确率提升了32.9%。与同类模型相比，ET_MGNN的参数量减少了一个数量级，且具有更低的峰值显存占用，更适合在资源受限的实际医疗环境中部署。

同时，该模型还成功识别了相关疾病的病理关联区域。例如，在自闭症识别中，模型聚焦于躯体运动网络（SMN）；在阿尔茨海默病诊断中，则精准定位了涉及记忆和注意力控制的默认网络（DMN）及显著网络（SN）中的异常脑区。这些发现不仅验证了模型的有效性，也为深入理解脑疾病的神经机制提供了新的视角。

该论文的第一作者为中国科学技术大学博士生郎晋伟，通讯作者为中国科学院合肥物质院健康所李海研究员和杨立状副研究员。该研究得到了国家自然科学基金和安徽省重点研发计划等项目的资助。

文章链接：https://doi.org/10.1016/j.neucom.2025.131509

图注：面向脑疾病智能诊断的高效时空多模态图神经网络架构