BDHT：生成式 AI 实现轻度认知障碍的因果分析

有效连接性估计在理解不同脑区之间的交互和信息流中起着至关重要的作用。然而，用于估计有效连接性的功能时间序列是由特定软件导出的，由于参数设置不同，这可能导致较大的计算误差，并降低对脑区间复杂因果关系进行建模的能力。本文提出了一种具有分层 Transformer 的脑扩散器（BDHT），用于估计轻度认知障碍（MCI）分析的有效连接性。据我们所知，所提出的脑扩散器是首个将扩散模型应用于生成和分析多模态脑网络的生成式模型。具体而言，BDHT 利用结构连接性以高效的方式引导逆向过程。这使得去噪过程更加可靠，并保证了有效连接性的估计精度。为了提高去噪质量，设计了分层去噪 Transformer 来学习拓扑空间中的多尺度特征。通过堆叠多头注意力和图卷积网络，设计了图卷积 Transformer（GraphConformer）模块，以增强结构-功能互补性并提高噪声估计能力。对去噪扩散模型的实验评估证明了其在估计有效连接性方面的有效性。与现有方法相比，所提出的模型在准确性和鲁棒性方面取得了优越的性能。此外，所提出的模型能够识别发生改变的有向连接，并为 MCI 治疗的致病机制提供全面的理解。