阿尔茨海默病诊断换用双视图脑图：AD与CN分类准确率从82.06%升到89.90%
核心概要
结构磁共振的脑区图不再只按一种预设关系连边。MVMGNN把脑区当作节点、影像组学特征当作节点属性，同时构建空间近邻图和特征相似图，并在每个视图内用节点—边联合掩码筛掉冗余特征与弱相关连接，再用患者级跨视图门控融合两路表示。在ADNI队列上，AD与CN分类的准确率由对比方法中表现最好的RSEA-MVGNN的82.06%升到89.90%，F1由75.02%升到86.24%；AD与MCI、CN与MCI两项更难的任务上优势较小。
深度剖析
阿尔茨海默病分期的结构磁共振判读，改为在两张互补的脑区图上同时学习。 此前的脑图方法多依赖单一预设关系连边，例如只按空间位置或只按形态学距离建图，难以同时利用不同视角下的区域间关系。 在ADNI队列的AD与CN任务上，MVMGNN的准确率为89.90%、F1为86.24%，同一任务中表现最好的对比方法RSEA-MVGNN为82.06%和75.02%。
每张视图内部先做一次筛选，再进入图卷积传播。 多视图脑网络直接拼接会带入冗余的影像组学特征和弱相关连接，干扰消息传递。 AD与CN任务上，双视图基础模型的准确率为82.78%、F1为76.57%，加入节点—边掩码后升至88.92%和85.26%。
两路视图的表示按受试者逐个加权合并，而不是固定权重相加。 固定权重或简单线性加权无法针对单个样本调整各视图的贡献。 在AD与CN任务上，掩码模型再加入跨视图门控融合后，准确率与F1进一步升到89.90%和86.24%，特异性由89.42%升到91.69%。
同一套建模在ADNI之外的两个公开队列上仍给出可用的分类结果。 ADNI上的训练与测试按受试者划分，同一受试者的所有扫描只进入训练集或测试集之一。 在未参与训练和测试的AIBL与OASIS数据上，AD与CN任务的准确率分别为87.46%和80.38%。
启示与展望
演示范围限于结构磁共振单一模态：ADNI队列908名受试者按受试者划分、80%训练与20%测试，另在AIBL和OASIS两个公开队列上做外部验证。读者对象是从事神经影像图学习和计算机辅助诊断的研究者与工程师。
掩码权重反映模型分类时对脑区特征与连接的依赖，不能直接当作疾病机制中的因果生物标志物。多视图构建依赖预设的空间近邻与特征相似关系，其最优性仍需验证。外部验证受独立队列可得性以及样本构成和成像特征差异的限制。