DOI: https://doi.org/10.1109/jbhi.2026.3690795
PMID: https://pubmed.ncbi.nlm.nih.gov/42085406
تاريخ النشر: 2026-01-01
المؤلف: Wenqi Hu وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
في هذا البحث، يقدم المؤلفون إطار عمل جديد يعزز تحليل بيانات التصوير بالرنين المغناطيسي الوظيفي (fMRI) من خلال استخدام الرسوم البيانية الفائقة لالتقاط العلاقات عالية الترتيب بين مناطق الدماغ المتعددة. الطرق التقليدية، التي تركز على التفاعلات الثنائية، محدودة بهياكل الرسوم البيانية الفائقة المحددة مسبقًا وغالبًا ما تتجاهل الديناميات الزمنية. للتغلب على هذه التحديات، يدمج الإطار المقترح وحدة قناع ثنائي متعدد الحواف لتعلم هيكل الرسم البياني الفائق، ووحدة تجميع انتباه ذاتي للرسم البياني الفائق لاستخراج الميزات المكانية التكيفية، وشبكة منخفضة الأبعاد زمانية مكانية لتصنيف الأمراض. يتم توجيه الإطار بواسطة هدف مستوحى من مبدأ عنق الزجاجة المعلوماتي، والذي يهدف إلى تعظيم المعلومات ذات الصلة مع تقليل التكرار.
تشير النتائج التجريبية على مجموعات بيانات fMRI المرجعية إلى أن هذه الطريقة تتفوق على الأساليب الحالية الرائدة، حيث تحدد بنجاح التفاعلات الدماغية عالية الترتيب الهامة. تشير النتائج إلى أن الحواف الزمانية المكانية المتعلمة توفر رؤى قيمة حول تنظيم شبكة الدماغ وهي ذات صلة خاصة لتحليل الاضطرابات النفسية العصبية. علاوة على ذلك، يظهر الإطار إمكانيات للتطبيق في مهام التصوير العصبي متعددة القوالب ومتعددة الأنماط، مما يدل على تنوعه وأهميته في تقدم أبحاث التصوير العصبي.
مقدمة
تناقش مقدمة هذه الورقة البحثية تطبيق التصوير بالرنين المغناطيسي الوظيفي (fMRI) كطريقة غير جراحية لتقييم نشاط الدماغ وفهم التنظيم العصبي. تسلط الضوء على أهمية الاتصال الوظيفي (FC) في التقاط التفاعلات المعقدة بين مناطق الدماغ، مشددة على أن القياسات الثنائية التقليدية قد تتجاهل العلاقات عالية الترتيب التي تعتبر حاسمة لفهم وظيفة الدماغ والاضطرابات العصبية. يشير المؤلفون إلى أن النماذج الحالية التي تستخدم الحواف لتمثيل العلاقات بين المناطق المتعددة غالبًا ما تفشل في استخراج أنماط ذات مغزى، مما يدل على الحاجة إلى أساليب أكثر تعقيدًا يمكن أن تدمج بفعالية كل من الأبعاد المكانية والزمنية لنشاط الدماغ.
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل جديد يسمى تجميع الزمان والمكان القائم على انتباه الرسم البياني الفائق (HA-STA)، والذي يهدف إلى تعلم هياكل عالية الترتيب ذات معلومات مفيدة في الدماغ مع تقليل التكرار. يعتمد هذا الإطار على مبدأ عنق الزجاجة المعلوماتي، حيث يقدم هدف تعلم جديد: تعظيم المعلومات وتقليل التكرار (MIMR). يتضمن النموذج قيد كثافة الحواف ويستخدم وحدة تجميع انتباه ذاتي للرسم البياني الفائق (HSAA) لتعزيز استخراج الميزات. بالإضافة إلى ذلك، تم تصميم شبكة منخفضة الأبعاد زمانية مكانية (ST-LNet) لمعالجة المخرجات لتحسين تصنيف الأمراض. تظهر النتائج التجريبية أن HA-STA تتفوق على الأساليب الحالية، كاشفة عن مناطق الدماغ ذات الصلة والتفاعلات المرتبطة بتشخيص الأمراض، مما يساهم في تقديم رؤى قيمة لأبحاث الاضطرابات النفسية العصبية.
طرق
في هذا القسم، يوضح المؤلفون الإعداد التجريبي لدراستهم، مع التركيز على استخدام ميزات الاتصال الوظيفي المشتقة من معامل ارتباط بيرسون. قاموا بتحديد حجم نافذة زمنية قدره $L = 20$ وخطوة زمنية قدرها $\Delta t = 10$. تم تدريب النموذج باستخدام مُحسِّن آدم بمعدل تعلم قدره $0.0001$ وتدهور وزن قدره $0.001$، مع استخدام حجم دفعة قدره $16$ على مدى $300$ دورة، مع إيقاف مبكر بناءً على خسارة التحقق. تم تقسيم مجموعة البيانات إلى مجموعات تدريب، تحقق، واختبار بنسبة $8:1:1$. تم تقييم أداء النموذج باستخدام الدقة (ACC)، الحساسية (SEN)، والخصوصية (SPE)، جنبًا إلى جنب مع تحليل أهمية مناطق الدماغ الفردية والحواف.
لتحديد أهمية مناطق الدماغ، عرف المؤلفون مقياسًا $D_i$ لكل عقدة $i$، بناءً على تكرار ظهورها في الحواف المحددة. تم صياغته كـ $D_i = \frac{1}{|E|} \sum_{e \in E} I(i \in e)$، حيث يمثل $E$ مجموعة الحواف و$I(\cdot)$ هو دالة المؤشر. بالإضافة إلى ذلك، تم حساب أهمية الحافة $I_e$ من خلال دمج معاملات الانتباه المتعلمة مع تكرارات المناطق، معبرًا عنها كـ $I_e = \sum_{i \in e} (\alpha_{e,i} \times D_i)$، حيث $\alpha_{e,i}$ تشير إلى معامل الانتباه للعقدة $i$ في الحافة $e$. توفر هذه الطريقة رؤى ذات مغزى عصبي حول الهياكل الرسومية الفائقة التي تعلمها النموذج. كما قارن المؤلفون نموذج HA-STA الخاص بهم مع مجموعة متنوعة من الأساليب الأساسية، المصنفة إلى تقنيات التعلم الآلي التقليدية، ونماذج التعلم العميق للرسوم البيانية، وطرق التكامل الزماني المكاني، مما يبرز الطبيعة الشاملة لإطار تقييمهم.
نتائج
في التجارب التي أجريت على مجموعات بيانات ABIDE-I، تفوق نموذج HA-STA المقترح على جميع النماذج الأساسية، محققًا أعلى دقة (ACC) كما هو موضح في الجدول I. على الرغم من أن نموذج STIGR أظهر حساسية (SEN) أعلى قليلاً وحقق BNC-DGHL أفضل خصوصية (SPE)، إلا أن HA-STA حافظت على أداء تنافسي في كلا المقياسين. تعتبر هذه الأداء المتوازن حاسمة للكشف الموثوق عن اضطراب طيف التوحد (ASD)، حيث تقلل بشكل فعال من الإيجابيات الكاذبة. تؤكد النتائج على قدرات التعميم القوية لنموذج HA-STA عبر مجموعات بيانات التصوير العصبي الكبيرة والمتنوعة.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على أهمية بناء الرسم البياني الفائق في نمذجة شبكة الدماغ، مصنفة الأساليب الحالية إلى طرق قائمة على المسافة وطرق قائمة على التمثيل. تعتمد الطرق القائمة على المسافة، مثل تلك التي قدمها جي وآخرون ووي وآخرون، على العلاقات المكانية بين العقد، بينما تركز الطرق القائمة على التمثيل على إعادة بناء الميزات. ومع ذلك، تواجه كلا الفئتين قيودًا، بما في ذلك التباين في بناء الحواف عبر الأفراد وقابلية التوسع المحدودة. للتغلب على هذه التحديات، يقترح المؤلفون إطار عمل للتعلم العميق يضمن هياكل رسومية فائقة متسقة، مما يلبي نظريًا معيار الحد الأدنى من المعلومات والحد الأقصى من التكرار (MIMR) ويقلل من التكرار الطوبولوجي.
علاوة على ذلك، تناقش الورقة التقدم في تحديد اضطرابات الدماغ من خلال الرسوم البيانية والميزات الزمانية المكانية. بينما تمكنت الدراسات السابقة من التقاط الديناميات الزمنية في شبكات الاتصال الوظيفي (FC) بشكل فعال، فإنها غالبًا ما تتجاهل العلاقات عالية الترتيب. يقدم المؤلفون إطار عمل جديد، ST-LNet، الذي يدمج تجميع انتباه الحواف لتعزيز استخراج العلاقات بين مناطق الدماغ والعلاقات عالية الترتيب، مما يحسن تشخيص الأمراض. تظهر المنهجية المقترحة أداءً متفوقًا في تصنيف الاضطرابات النمائية العصبية، كما يتضح من النتائج القوية على مجموعات بيانات ADHD-200 وABIDE-I، مما يبرز أهمية الهياكل الرسومية الفائقة في فهم التفاعلات المعقدة للدماغ.
DOI: https://doi.org/10.1109/jbhi.2026.3690795
PMID: https://pubmed.ncbi.nlm.nih.gov/42085406
Publication Date: 2026-01-01
Author(s): Wenqi Hu et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
In this research, the authors present a novel framework that enhances the analysis of functional magnetic resonance imaging (fMRI) data by employing hypergraphs to capture high-order relationships among multiple brain regions. Traditional methods, which focus on pairwise interactions, are limited by predefined hypergraph structures and often neglect temporal dynamics. To overcome these challenges, the proposed framework integrates a multi-hyperedge binary mask module for hypergraph structure learning, a hypergraph self-attention aggregation module for adaptive spatial feature extraction, and a spatio-temporal low-dimensional network for disease classification. The framework is guided by an objective inspired by the information bottleneck principle, which aims to maximize relevant information while minimizing redundancy.
Experimental results on benchmark fMRI datasets indicate that this approach outperforms existing state-of-the-art methods, successfully identifying significant high-order brain interactions. The findings suggest that the learned spatio-temporal hyperedges provide valuable insights into brain network organization and are particularly relevant for the analysis of neuropsychiatric disorders. Furthermore, the framework shows potential for application in multi-template and multimodal neuroimaging tasks, indicating its versatility and relevance in advancing neuroimaging research.
Introduction
The introduction of this research paper discusses the application of functional magnetic resonance imaging (fMRI) as a non-invasive method for assessing brain activity and understanding neural organization. It highlights the significance of functional connectivity (FC) in capturing complex interactions between brain regions, emphasizing that traditional pairwise measures may overlook high-order relationships that are crucial for understanding brain function and neurological disorders. The authors note that existing models using hyperedges to represent multi-region relationships often fail to extract meaningful patterns, indicating a need for more sophisticated approaches that can effectively incorporate both spatial and temporal dimensions of brain activity.
To address these challenges, the authors propose a novel framework called Hypergraph Attention-based Spatio-Temporal Aggregation (HA-STA), which aims to learn informative high-order structures in the brain while minimizing redundancy. This framework is built on the information bottleneck principle, introducing a new learning objective: Maximize Information and Minimize Redundancy (MIMR). The model incorporates a hyperedge sparsity constraint and employs a Hypergraph Self-Attention Aggregation (HSAA) module to enhance feature extraction. Additionally, a Spatial-Temporal Low-dimensional Network (ST-LNet) is designed to process the output for improved disease classification. Experimental results demonstrate that HA-STA outperforms existing methods, revealing relevant brain regions and interactions linked to disease diagnosis, thereby contributing valuable insights for neuropsychiatric disorder research.
Methods
In this section, the authors detail the experimental setup for their study, focusing on the use of functional connectivity features derived from the Pearson correlation coefficient. They established a time window size of $L = 20$ and a time step of $\Delta t = 10$. The model was trained using the Adam optimizer with a learning rate of $0.0001$ and a weight decay of $0.001$, employing a batch size of $16$ over $300$ epochs, with early stopping based on validation loss. The dataset was divided into training, validation, and test sets in an $8:1:1$ ratio. Model performance was evaluated using accuracy (ACC), sensitivity (SEN), and specificity (SPE), alongside an analysis of the importance of individual brain regions and hyperedges.
To quantify the importance of brain regions, the authors defined a measure $D_i$ for each node $i$, based on its frequency of appearance in identified hyperedges. This was formalized as $D_i = \frac{1}{|E|} \sum_{e \in E} I(i \in e)$, where $E$ represents the set of hyperedges and $I(\cdot)$ is the indicator function. Additionally, hyperedge importance $I_e$ was calculated by integrating learned attention coefficients with region frequencies, expressed as $I_e = \sum_{i \in e} (\alpha_{e,i} \times D_i)$, where $\alpha_{e,i}$ denotes the attention coefficient for node $i$ in hyperedge $e$. This approach provides neurobiologically meaningful insights into the hypergraph structures learned by the model. The authors also compared their HA-STA model against various baseline methods, categorized into traditional machine learning techniques, graph deep learning models, and spatio-temporal integration methods, highlighting the comprehensive nature of their evaluation framework.
Results
In the experiments conducted on the ABIDE-I datasets, the proposed HA-STA model outperformed all baseline models, achieving the highest accuracy (ACC) as detailed in Table I. Although the STIGR model exhibited a marginally higher sensitivity (SEN) and BNC-DGHL achieved the best specificity (SPE), HA-STA maintained a competitive performance in both metrics. This balanced performance is crucial for the reliable detection of autism spectrum disorder (ASD), as it effectively minimizes false positives. The findings underscore the robust generalization capabilities of the HA-STA model across large-scale and heterogeneous neuroimaging datasets.
Discussion
The discussion section of the research paper highlights the significance of hypergraph construction in brain network modeling, categorizing existing methods into distance-based and representation-based approaches. Distance-based methods, such as those by Ji et al. and Wee et al., rely on spatial relationships among nodes, while representation-based methods focus on feature reconstruction. However, both categories face limitations, including variability in hyperedge construction across subjects and restricted scalability. To overcome these challenges, the authors propose a deep learning framework that ensures consistent hypergraph structures, theoretically satisfying the Minimum Information Maximum Redundancy (MIMR) criterion and reducing topological redundancy.
Furthermore, the paper discusses advancements in identifying brain disorders through hypergraphs and spatio-temporal features. While previous studies have effectively captured temporal dynamics in functional connectivity (FC) networks, they often overlook high-order relationships. The authors introduce a novel framework, ST-LNet, which integrates hyperedge attention aggregation to enhance the extraction of correlations among brain regions and high-order relationships, thereby improving disease diagnosis. The proposed methodology demonstrates superior performance in classifying neurodevelopmental disorders, as evidenced by robust results on the ADHD-200 and ABIDE-I datasets, emphasizing the importance of hypergraph structures in understanding complex brain interactions.