基于 SDE 驱动的时空超图神经网络用于阿尔茨海默病不规则纵向 fMRI 连接组建模
机器学习
2026-03-24 v1
摘要
纵向神经影像是阿尔茨海默病（AD）疾病进展建模的关键，但不规则采样和缺失时间点为学习可靠的时间表征带来了重大挑战。为此，我们提出了 SDE-HGNN，即一种基于随机微分方程（SDE）驱动的时空超图神经网络，用于不规则纵向 fMRI 连接组建模。该框架首先采用基于 SDE 的重建模块，从不规则观测数据中恢复连续潜在轨迹。基于这些重建的表示，构建动态超图以捕获脑区随时间的高阶相互作用。为进一步建模时间演化，超图卷积参数通过受扫描间隔约束的 SDE 控制的循环动力学演化，从而实现疾病阶段自适应的连接建模。我们还引入稀疏性加权重要性学习机制，以识别关键脑区和判别性连接模式。在 OASIS-3 和 ADNI 队列上的大规模实验表明，与最先进的图神经网络和超图基线方法相比，SDE-HGNN 在 AD 进展预测中持续取得改进。源代码已公开于 https://anonymous.4open.science/r/SDE-HGNN-017F。
引用
@article{arxiv.2603.20452,
title = {SDE-Driven Spatio-Temporal Hypergraph Neural Networks for Irregular Longitudinal fMRI Connectome Modeling in Alzheimer's Disease},
author = {Ruiying Chen and Yutong Wang and Houliang Zhou and Wei Liang and Yong Chen and Lifang He},
journal= {arXiv preprint arXiv:2603.20452},
year = {2026}
}
备注
Submitted to AMIA Annual Symposium, 10 pages, 4 figures