中国科学院合肥物质科学研究院的科研团队近日取得重要突破，成功研发出一种名为高效时空多模态图神经网络（ET_MGNN）的新型深度学习框架。该成果已发表于国际学术期刊《Neurocomputing》，为阿尔茨海默病和自闭症谱系障碍等脑疾病的自动诊断提供了更精准的技术支持。
传统脑网络学习模型在处理动态变化和多模态数据融合时存在明显短板。研究团队针对这一难题，借鉴大语言模型的结构设计理念，创新性地开发出ET_MGNN模型。该模型通过时间滑动窗口技术，将反映脑区活动同步性的动态功能连接数据与提供解剖约束的结构连接数据进行自适应整合，构建出能够全面反映大脑动态变化的图序列。
在技术实现上，ET_MGNN模型引入了双重创新机制：一方面采用RWKV模块，将循环神经网络的长程依赖捕捉能力与Transformer架构的并行计算优势相结合，显著提升了模型对大脑功能状态转换的模拟精度；另一方面通过GASO图读取模块，能够自动识别与疾病高度相关的关键脑区，为临床诊断提供可解释的生物标志物。这些技术突破使模型在保持高效运算的同时，具备了更强的病理分析能力。
实验验证环节，研究团队在自闭症国际数据集ABIDE II和阿尔茨海默病研究数据集ADNI上进行了系统性测试。结果显示，在自闭症分类任务中，ET_MGNN模型较现有最优模型的准确率提升11.8%；在阿尔茨海默病与轻度认知障碍的鉴别诊断中，准确率提升达32.9%。特别值得关注的是，该模型参数量较同类模型减少一个数量级，显存占用峰值显著降低，这种轻量化设计使其更适用于医疗资源有限的基层诊疗场景。
在病理机制探索方面，ET_MGNN展现出独特的诊断价值。针对自闭症患者，模型能够准确识别躯体运动网络的异常活动；对于阿尔茨海默病患者，则可精准定位默认网络和显著网络中与记忆、注意力控制相关的病变脑区。这种基于脑功能网络的病理分析方式，为理解脑疾病的神经机制提供了新的研究范式。
