重新思考功能脑连接组分析：图深度学习模型是否有效

图深度学习模型是一类基于消息聚合机制的人工智能驱动方法，因其在神经影像功能脑连接组分析中受到广泛关注。然而，其实际效果尚不明确。本研究基于四项大规模神经影像研究，重新评估图深度学习与经典机器学习模型。意外地发现，图深度学习模型的标志性消息聚合机制，并未如通常所假设的那样提升预测性能，反而持续降低性能。为此，我们提出一种融合线性模型与图注意力网络的混合模型，通过双路径结构实现稳健的预测，并通过揭示局部和全局神经连接模式增强模型可解释性。我们的发现呼吁对功能脑连接组分析中复杂深度学习模型的采用持谨慎态度，强调需严格的实验设计以确立实际性能提升，更重要的是，要致力于改进模型的可解释性。