脑部病理图学习
机器学习
2025-09-29 v1 人工智能
摘要
脑图学习在神经科学与人工智能领域取得了显著成就。然而，现有方法难以选择性地学习疾病相关知识，导致参数庞大且计算成本高昂。这一挑战降低了其效率，也限制了其在实际临床应用中的实用性。为此，我们提出了一种轻量级的脑部病理图学习模型，通过病理模式过滤和病理特征蒸馏实现高效的脑图学习。具体而言，BrainPoG 首先包含一个过滤器，用于提取由高疾病相关子图构成的病理模式，从而实现图剪枝与病灶定位。随后，通过从全脑图中丢弃低疾病相关性的子图来构建病理图。之后，设计了病理特征蒸馏模块，以减少与疾病无关的噪声特征，并增强病理图中每个节点的病理特征。BrainPoG 能够专门学习有价值的疾病相关知识，同时避免相关性较低的信息，实现高效的脑图学习。在四个基准数据集上的大量实验表明，BrainPoG 在各种脑疾病检测任务中均展现出模型性能与计算效率方面的优越性。
引用
@article{arxiv.2509.21742,
title = {Brain PathoGraph Learning},
author = {Ciyuan Peng and Nguyen Linh Dan Le and Shan Jin and Dexuan Ding and Shuo Yu and Feng Xia},
journal= {arXiv preprint arXiv:2509.21742},
year = {2025}
}