中国科学院合肥物质科学研究院的科研团队近日取得突破性进展，成功研发出一种名为高效时空多模态图神经网络（ET_MGNN）的新型深度学习框架。该框架通过创新技术显著提升了阿尔茨海默病和自闭症谱系障碍等脑疾病的自动诊断精度，相关研究成果已发表于国际权威期刊《Neurocomputing》。
传统脑网络学习模型在动态建模和多模态信息整合方面存在明显短板，难以全面捕捉大脑活动的复杂性。研究团队从大语言模型架构中获取灵感，开发出ET_MGNN模型。该模型采用时间滑动窗口技术，将反映脑区同步性的动态功能连接数据与提供物理约束的结构连接数据进行自适应融合，构建出更完整的动态大脑图序列。这一创新使模型能够同时分析大脑的功能协调与结构特征，为精准诊断奠定基础。
ET_MGNN模型的核心优势在于其独特的模块设计。通过引入RWKV模块，模型结合了循环神经网络处理长程依赖的能力与Transformer架构的并行计算效率，能够更精确地模拟大脑在不同功能状态间的动态转换。同时，GASO图读取模块的加入使模型具备识别疾病相关关键脑区的能力，为临床诊断提供了可解释的生物标志物。例如，在自闭症诊断中，该模块可聚焦躯体运动网络；在阿尔茨海默病检测中，则能精准定位默认网络及显著网络中涉及记忆和注意力控制的异常区域。
实验验证环节，研究团队在ABIDE II（自闭症）和ADNI（阿尔茨海默病）等权威数据集上进行了严格测试。结果显示，ET_MGNN模型在自闭症分类任务中的准确率较现有优秀模型提升11.8%，在阿尔茨海默病与轻度认知障碍的鉴别中准确率提升达32.9%。更值得关注的是，该模型参数量较同类模型减少一个数量级，峰值显存占用显著降低，特别适合在资源有限的医疗环境中部署应用。
这项研究通过多模态数据融合与动态建模技术的创新，为脑疾病诊断提供了新的技术路径。ET_MGNN模型不仅在诊断精度上实现突破，其可解释性设计更有助于临床医生理解疾病机制，为个性化诊疗方案的制定提供科学依据。随着模型在更多脑疾病领域的验证应用，这项技术有望推动神经科学研究和临床实践的深度融合。
