MPP-GNN：基于fMRI的阿尔茨海默病分类中的受试者自适应社区检测

# MPP-GNN：基于fMRI的阿尔茨海默病分类中的受试者自适应社区检测
来源：https://arxiv.org/html/2607.28681

Xiao Zhou、Jonathan Warrell、Avram Holmes、Xuan Zhang和Mark Gerstein

稿件提交于2026年7月29日。本工作部分得到耶鲁大学计算生物学与生物信息学硕士项目暑期实习奖的支持，部分得到耶鲁大学Gerstein实验室研究经费的支持。（Yang Zhang、Xiao Zhou和Jonathan Warrell对本工作贡献相同。）（通讯作者：Mark Gerstein。）Yang Zhang、Xiao Zhou、Jonathan Warrell和Mark Gerstein就职于耶鲁大学计算生物学与生物信息学项目，美国康涅狄格州纽黑文市，邮编06520（电子邮件：[email protected]; [email protected]; [email protected]; [email protected]）。Avram Holmes就职于罗格斯大学罗伯特·伍德·约翰逊医学院精神病学系及脑健康研究所，美国新泽西州皮斯卡塔韦市，邮编08854（电子邮件：[email protected]）。Xuan Zhang就职于普拉特艺术学院设计学院，美国纽约州纽约市，邮编11205（电子邮件：[email protected]）。

###### 摘要

功能磁共振成像（fMRI）是一种广泛用于研究大脑的技术。近年来，利用图神经网络（GNN）分析大脑功能连接的方法在阿尔茨海默病（AD）等脑疾病分类中展现出巨大潜力。然而，这些方法通常假设所有受试者共享预设数量的功能模块，从而忽略了受试者间的变异性。此外，所发现的模块很少被直接用于指导学习到的连接模式。为了解决这些问题，我们提出了一种元概率池化图神经网络（MPP-GNN）。我们将模型的任务构建为一个耦合的双层优化：通过层次化自适应图划分来发现受试者特定的模块，然后将发现的大脑模块作为显式先验来指导边细化和表示学习。我们在两个用于AD分类的公开数据集上验证了MPP-GNN，在两个数据集上都取得了与既有基线相比最高的AUC。此外，我们的分析表明，MPP-GNN与Yeo脑图谱定义的经典功能网络组织显著对齐，并揭示了AD的网络级去分化模式。

\{IEEEkeywords\}

大脑网络，图神经网络，神经影像深度学习，阿尔茨海默病，fMRI生物标志物，图结构学习。

## 1引言

阿尔茨海默病（AD）是一种常见的神经退行性疾病，以进行性认知衰退为特征。β-淀粉样蛋白斑块和tau神经原纤维缠结是两种神经病理学标志，它们在临床症状出现前数年乃至数十年就已在脑中积累。这一漫长的临床前窗口促使我们在不可逆的神经元损失发生之前进行早期检测和干预。在现有的检测方法中，功能磁共振成像（fMRI）提供了一种非侵入性技术，能够捕捉区域间神经通讯的中断，并且在临床环境中广泛可用[58 (https://arxiv.org/html/2607.28681#bib.bib57)]。

来自fMRI的神经影像数据可用于将大脑网络建模为图。在标准流程中，脑图谱将预处理后的fMRI体素划分成感兴趣区域（ROI），这些区域可视为节点。然后估计ROI水平血氧水平依赖（BOLD）时间序列之间的两两统计依赖性，形成定义加权边的功能连接（FC）矩阵[8 (https://arxiv.org/html/2607.28681#bib.bib47)]。在各种模型中，图神经网络（GNN）非常适合这种表示，近年来受到越来越多的关注。与传统机器学习模型相比，GNN可以通过消息传递机制显式地利用节点属性和关系结构。使用GNN建模脑图不仅在各种脑疾病分类任务中展示了最先进的性能，而且也是识别与神经疾病相关的生物标志物的重要分析工具[38 (https://arxiv.org/html/2607.28681#bib.bib48)]。

尽管取得了这些进展，基于GNN的脑图分析仍面临若干挑战：（1）BOLD衍生的FC矩阵本质上是含噪声的[36 (https://arxiv.org/html/2607.28681#bib.bib49)]。由生理伪影和有限扫描时长引入的非神经噪声导致单个受试者内部以及不同受试者之间存在较大变异。（2）人脑具有高度模块化。研究表明，AD与模块组织的破坏相关，且在不同个体和疾病阶段之间存在显著差异[58 (https://arxiv.org/html/2607.28681#bib.bib57),1 (https://arxiv.org/html/2607.28681#bib.bib2)]。然而，许多基于GNN的社区检测方法强加了一个跨受试者共享的预设聚类容量，这与大脑组织的异质性相冲突[25 (https://arxiv.org/html/2607.28681#bib.bib11),32 (https://arxiv.org/html/2607.28681#bib.bib12),10 (https://arxiv.org/html/2607.28681#bib.bib50)]。（3）脑图模型的可解释性仍然具有挑战性。常见的事后方法，如显著性图（saliency maps）和替代性解释（surrogate explanations），在不同解释算法之间往往缺乏一致性，并且对模型内部机制的透明度有限。

事实上，这些挑战密切相关。社区结构可以通过区分社区内连接与社区间连接来指导边细化。细化后的边和学习到的表示又可以反过来改进划分策略。在同一个框架内联合解决这些问题，而不是将它们视为独立的预处理或事后步骤，可以产生更稳健、更可解释的脑图模型。

为了解决这些挑战，我们提出了元概率池化图神经网络（MPP-GNN），这是一个端到端框架，可以联合细化含噪FC矩阵、自适应地发现受试者特定的社区结构，并产生内在的可解释性。我们的主要贡献总结如下。

- •我们将脑图分类构建为一个双层优化问题：外层学习自适应的社区检测策略，以指导内层的边细化和节点表示学习的联合优化。这提供了一种原则性机制，将社区检测和边去噪与最终分类任务在单个端到端框架中耦合在一起。
- •我们设计了一个基于亲和传播的层次化池化模块（AP-HPM），无需预设聚类数量即可发现多分辨率社区结构。我们还引入了一个概率边细化模块（PERM），该模块将发现的社区结构作为受试者特定的结构先验来估计边保留概率。在两个用于AD分类的公开数据集上的实验表明，MPP-GNN在不同指标上均优于多个既有基线。
- •我们证明AP-HPM能够恢复与Yeo脑图谱一致的经典功能网络组织。类似地，PERM能够产生一致的边保留模式。这两个模块都揭示了与AD相关的网络去分化，这与既有的神经科学文献一致。

## 2相关工作

### 2.1图结构学习

图结构学习（GSL）联合优化图拓扑和节点表示，已被广泛应用于去噪含噪关系数据[64 (https://arxiv.org/html/2607.28681#bib.bib26)]。现有的GSL方法可以大致按边权重的建模方式来分类。基于度量的方法从两两节点相似性推导边权重，使用可训练核，如马氏距离[31 (https://arxiv.org/html/2607.28681#bib.bib27)]、带可学习参数的余弦相似度[6 (https://arxiv.org/html/2607.28681#bib.bib29),60 (https://arxiv.org/html/2607.28681#bib.bib28)]或内积[57 (https://arxiv.org/html/2607.28681#bib.bib30),62 (https://arxiv.org/html/2607.28681#bib.bib31),65 (https://arxiv.org/html/2607.28681#bib.bib32)]。神经方法直接应用神经网络来建模边权重。例如，GLCN[22 (https://arxiv.org/html/2607.28681#bib.bib33)]使用单层神经网络，NeuralSparse[63 (https://arxiv.org/html/2607.28681#bib.bib34)]利用多层感知机来学习边连接强度。许多方法还利用了注意力机制。GAT[47 (https://arxiv.org/html/2607.28681#bib.bib20)]首次通过在一跳邻域上使用掩码自注意力将注意力机制引入GNN。类似Transformer的全注意力架构也被推广到图领域[55 (https://arxiv.org/html/2607.28681#bib.bib24)]。直接方法将邻接矩阵本身视为可学习变量，通常带有鼓励稀疏性[37 (https://arxiv.org/html/2607.28681#bib.bib35)]和平滑性[24 (https://arxiv.org/html/2607.28681#bib.bib36)]的正则化项。在脑图学习的背景下，FC矩阵编码了我们旨在从预处理噪声和伪影中恢复的大脑不同区域之间的连接模式。然而，传统的图结构学习方法并未显式地将社区结构作为边细化的归纳偏置。此外，仅靠注意力权重并不能保证对单个预测提供忠实的解释[21 (https://arxiv.org/html/2607.28681#bib.bib55)]。

### 2.2图池化

图池化是图神经网络中用于降低图数据复杂度的技术[33 (https://arxiv.org/html/2607.28681#bib.bib37)]。早期的池化方法依赖于图划分目标。谱聚类利用特征分解将该目标松弛到图拉普拉斯矩阵的连续特征向量上。Graclus[11 (https://arxiv.org/html/2607.28681#bib.bib38)]通过多层粗化和贪心匹配直接近似相同目标。全局池化通过求和、平均或最大化将所有节点特征聚合为单一向量。注意力机制也被用于增强池化操作[20 (https://arxiv.org/html/2607.28681#bib.bib39)]。然而，全局池化操作因忽略图内丰富的层次结构信息而受到批评。层次化池化逐层构建粗化图。DiffPool[56 (https://arxiv.org/html/2607.28681#bib.bib40)]从单层GNN学习一个稠密的软分配矩阵，将节点分配到聚类中。EigenPool[39 (https://arxiv.org/html/2607.28681#bib.bib51)]在层次化池化过程中使用图傅里叶变换来聚合节点。StructPool[59 (https://arxiv.org/html/2607.28681#bib.bib52)]设计条件随机场以融入不同节点之间的高阶信息。其他方法依赖评分函数在层次化池化过程中仅保留固定数量的重要节点以确保效率。SAGPool[29 (https://arxiv.org/html/2607.28681#bib.bib42)]使用自注意力对节点进行评分和保留。然而，许多层次化池化方法强加了预设的池化容量，例如固定数量的聚类或保留节点，这可能限制了对受试者特定组织的适应性。自适应社区检测算法（如Louvain方法）避免了这一约束，但通常作为固定的预处理步骤应用，无法与下游学习目标联合细化。

### 2.3fMRI功能脑网络

近年来，针对fMRI的专用图模型越来越认识到模块化大脑组织对于疾病预测和解释的重要性[46 (https://arxiv.org/html/2607.28681#bib.bib6),43 (https://arxiv.org/html/2607.28681#bib.bib4),44 (https://arxiv.org/html/2607.28681#bib.bib5)]。然而，现有方法在建模社区结构的方式上仍然存在局限。有些方法施加固定的聚类容量。BrainNetTF[25 (https://arxiv.org/html/2607.28681#bib.bib11)]引入了正交归一化聚类读出，但聚类数量是作为预定义超参数选择的。THC[10 (https://arxiv.org/html/2607.28681#bib.bib50)]进一步将该思想扩展到层次化聚类，但其各层聚类大小也是预设的。社区感知的Transformer变体，如Com-BrainTF[2 (https://arxiv.org/html/2607.28681#bib.bib53)]和CAGT[40 (https://arxiv.org/html/2607.28681#bib.bib54)]，同样依赖预定义或外部构建的社区结构来指导表示学习。有些方法将社区提取作为单独的预处理步骤进行。例如，SW-HGL[23 (https://arxiv.org/html/2607.28681#bib.bib17)]在预测模型之前应用基于Louvain的聚类来获得微尺度社区。然而，这阻碍了社区检测被下游监督信号细化。与此同时，图结构学习和可解释模型，如MVS-GCN[50 (https://arxiv.org/html/2607.28681#bib.bib16)]和IBGNN[9 (https://arxiv.org/html/2607.28681#bib.bib14)]，可以抑制噪声连接，但并未使用社区结构来指导边细化。这些局限促使我们构建一个在单个端到端流程中联合学习自适应社区划分、社区引导的边去噪和层次化图表示的框架。

参见图1：MPP-GNN的架构，其中顶行展示了数据预处理，中间行描绘了外层优化，底行详细展示了内层的AP-HPM和PERM模块。

## 3方法

### 3.1预备知识

定义一个无向加权图为G=(X,A)，其中X∈Rn×d为节点特征矩阵，具有n个节点和d个维度，A∈Rn×n为加权邻接矩阵。给定图数据集D={(G1,y1),(G2,y2),...}，其中yi∈Y是对应于图Gi∈G的疾病标签，我们的图分类目标是学习一个模型f(θ,φ):G→Y，将每个图映射到一个标签。在高层次上，AP-HPM首先在内层优化之前为所有层预先计算层次图结构。然后，PERM在每一层细化邻接矩阵，图卷积网络（GCN）更新节点表示，AP-HPM根据预先计算的社区分配对图进行池化。

双层优化。我们将脑图分类构建为一个双层优化，其中外层从亲和传播[13 (https://arxiv.org/html/2607.28681#bib.bib64)]学习最优图划分策略，内层基于聚类结果优化层次表示。核心挑战在于，图划分会产生离散的聚类分配，从而切断到下游内层GNN参数的梯度流。一种常见的方法如[23 (https://arxiv.org/html/2607.28681#bib.bib17)]那样将图划分固定为预处理步骤，但这会解耦社区发现与表示学习。

### 3.2AP-HPM：基于亲和传播的层次化池化模块

（注：原文此处似乎插入了图1的引用，但在提供的文本中标题为“3 Methodology”后直接出现“### 3.1 Preliminaries”，而我们看到的内容在“3.1 Preliminaries”之后有“Bilevel Optimization.”段落，但缺少“3.2”及后续子章节的内容。实际上原文在“Bilevel Optimization.”之后可能还有“3.2”等，但提供的文本被截断或未包含？检查原文：我们看到的是从“## 3 Methodology”开始，然后“### 3.1 Preliminaries”，然后“Bilevel Optimization.”段落，然后结束。所以没有更多内容。为了完整翻译，我们只能翻译到提供的文本末尾。我们将保留所有内容，包括“Bilevel Optimization.”段落的最后一句，但注意该句子可能不完整。我们按原样翻译。）

在提供的内容中，Bilevel Optimization段落只写道：“The central challenge is that graph partitioning produces discrete cluster assignments that break the gradient flow to downstream inner-level GNN parameters. A common approach is to fix the graph partition as a preprocessing step as in [23], but this can decouple community discovery from representation learning.” 中文翻译为：

“核心挑战在于，图划分会产生离散的聚类分配，从而切断到下游内层GNN参数的梯度流。一种常见的方法如[23 (https://arxiv.org/html/2607.28681#bib.bib17)]所示，将图划分固定为预处理步骤，但这会使社区发现与表示学习脱钩。”

由于原文在此处结束，我们也到此为止。