相较于传统的脑影像分析，作为大脑机理探索和脑疾病研究重要工具的脑网络计算，则侧重于不同脑区之间的相互作用和连接模式，能够更好地反映大脑作为一个整体系统的运作机制，有助于从整体角度理解大脑信息处理的方式。此外，脑网络计算能捕捉神经活动中的非线性异常特征，分析潜在的神经机制变化，为开发基于调控大脑网络的创新性治疗手段提供理论依据。

8月18日，中国科学院深圳先进技术研究院数字所王书强课题组在人工智能权威期刊IEEE Transactions on Pattern Analysis and Machine Intelligence在线发表了题为"A New Brain Network Construction Paradigm for Brain Disorder via Diffusion-based Graph Contrastive Learning"的研究成果。首次实现了基于生成式AI优化模型的End-to-End脑网络构建。

论文发表截图

生成式AI通过从数据中自动学习提取隐藏的模式和规律，在模拟复杂自然过程、分析和预测科学数据等方面表现出巨大潜力。相较于传统方法，生成式AI在学习复杂脑网络结构和连接模式特征方面具有显著优势，它能从脑网络异常特征中挖掘潜在的神经生理病理机制，为神经系统疾病的病因研究提供新线索。

与传统的脑影像分析相比，脑网络计算在探索大脑机理和脑疾病分析具有显著优势。然而，现有的脑网络构建方法面临着效率低、一致性差、高度经验依赖等问题。针对上述问题，研究团队提出了一种基于扩散-图对比学习模型(DGCL)的脑网络构建新范式。

具体而言，研究团队首先通过设计的大脑区域感知模块(BRAM)的扩散学习过程，实现个性化脑区的精准定位，避免了主观参数选择，并自动化对齐标准脑模板空间。然后利用图对比学习思想，通过稀疏化冗余连接，实现个体化大脑连接优化，从而增强同一组内大脑网络的一致性。最终通过设计节点-图对比损失和分类损失的联合约束机制，实现重建脑网络优化。

DGCL模型图

为了验证所提出的DGCL模型在脑网络构建和脑疾病分析任务上的通用性和泛化性，研究团队分别在面向阿尔茨海默病（AD）的ADNI数据集和面向自闭症障碍（ASD）的ABIDE数据集进行了大量消融实验和对比实验。实验结果表明，相较于现有脑网络构建工具，DGCL在脑网络构建效率、可靠性（ICC），以及脑疾病预测精度等方面具有显著优势。

通过对AD和ASD不同阶段脑网络连接模式分析发现：两种模式的脑网络连通性在疾病早期都呈上升趋势，然后在疾病中期-晚期阶段时减少到较低水平。这一发现与脑科学研究中的神经连接代偿机制一致。

不同脑疾病阶段的脑网络连接模式

王书强课题组长期专注于基于生成式AI的脑影像-脑网络计算领域的研究，在脑影像增强、跨模态生成、脑网络构建和脑疾病智能辅助诊断等方面取得一系列成果，相关工作发表在IEEE Transactions on Medical Imaging、IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Computational Imaging等权威期刊上，其中5篇入选ESI高被引论文。

王书强课题组近年来在“基于生成式AI的脑影像-脑网络计算”方向的代表性工作

王书强研究员为该文章的通讯作者，数字所研究生宗永承为第一作者。该文章获得国家重点研发计划、国家自然科学基金等科技项目支持。