D-GATNet: 基于动态功能连接的 ADHD 识别可解释时序图注意力学习
机器学习
2026-03-30 v1
摘要
注意力缺陷多动障碍（ADHD）是一种常见的神经发育障碍，其基于神经影像学的诊断因脑连接的复杂时变扰动而具有挑战性。功能性磁共振成像（fMRI）为识别功能改变提供了一种强大的非侵入性手段。现有的深度学习（DL）研究采用了多种神经影像特征，但静态功能连接仍被广泛使用，而动态连接建模相对探索不足。此外，许多 DL 模型缺乏可解释性。在本工作中，我们提出了 D-GATNet，一个用于 ADHD 自动分类的可解释时序图框架，利用动态功能连接（dFC）。滑动窗口 Pearson 相关系数构建了功能脑图序列，以感兴趣区域为节点，以连接强度为边。空间依赖通过多层图注意力网络学习，时序动态通过一维卷积后接时序注意力建模。可解释性通过图注意力权重揭示主导 ROI 交互、ROI 重要性分数识别有影响力的区域，以及时序注意力强调信息性连接片段来实现。在 ADHD-200 数据集的北京大学站点上，使用分层 10 折交叉验证和 5 种子集成实验，达到了 85.18% ± 5.64 的平衡准确率和 0.881 AUC，优于最先进方法。注意力分析揭示了小脑和默认模式网络的扰动，表明潜在的神经影像生物标志物。
引用
@article{arxiv.2603.26308,
title = {D-GATNet: Interpretable Temporal Graph Attention Learning for ADHD Identification Using Dynamic Functional Connectivity},
author = {Qurat Ul Ain and Alptekin Temizel and Soyiba Jawed},
journal= {arXiv preprint arXiv:2603.26308},
year = {2026}
}
备注
5 pages , 4 figures