阿尔茨海默病（AD）是一种进行性的神经退行性疾病，其特征是病理沉积物的出现和认知能力下降，包括记忆力减退和执行功能障碍（Association等人，2017年）。由于缺乏有效的治疗方法，加上对其潜在发病机制的理解不完全，近期研究将早期诊断作为延缓或缓解疾病进展的最有希望的策略。功能性磁共振成像（fMRI）作为一种非侵入性成像技术，在AD研究中越来越受到重视，因为它能够研究大脑区域功能和区域间功能连接性（FC）的变化（Dennis和Thompson，2014年；Lang等人，2014年）。随着AD经历不同的发展阶段，它构成了一个多分类任务。
在过去的几十年中，一系列研究探讨了静息态功能性磁共振成像（rsfMRI）在AD诊断中的应用。早期的方法依赖于传统的机器学习分类器，使用手工制作的FC特征，如随机森林、支持向量机（SVM）和广义线性回归（Dyrba等人，2015年；Koch等人，2012年；Teipel等人，2017年），但这些方法受到先验知识和经验特征选择的限制。虽然基于深度神经网络的方法在AD分类中表现出了改进，但卷积神经网络（CNN）和全连接网络在处理非欧几里得FC数据时存在根本性的局限性（Heinsfeld等人，2018年；Kam等人，2018年；Kawahara等人，2017年；Parmar等人，2020年；Ramzan等人，2020年）。此外，这些方法通常提供的神经生物学可解释性有限，从而限制了它们在阐明疾病相关神经机制方面的临床价值。
最近，图神经网络（GNN）逐渐被应用于AD分类，因为fMRI可以在群体或大脑层面转换为图表示。虽然群体图可以模拟受试者之间的关系（Huang和Chung，2020年；Kazi等人，2019年；Parisot等人，2017年；Song等人，2020年），但大脑图直接表示FC网络（Li等人，2021年；Xing等人，2021年；Yao等人，2021年），这两种方法都实现了端到端的AD分类。尽管FC在所有这些方法中都起着重要作用，但传统的FC总是通过统计依赖性（如皮尔逊相关性）来计算的，这不可避免地导致额外的数据处理以适应图神经网络，并且容易受到fMRI中常见数据噪声的影响。
在这种情况下，最近提出了图生成方法，通过DNN自动生成连接组，以克服上述限制并完全捕获fMRI的连接性特征（Campbell等人，2023年；Kan等人，2022年）。这些方法以时间序列形式的fMRI BOLD信号作为输入，并应用时域模型从每个感兴趣的区域（ROI）提取时间特征，用于连接组计算，通常与基于GNN的模型结合以实现AD分类。尽管生成的基于任务的连接组已被证明对AD分类有益，但现有方法在面对噪声较大和复杂的数据时容易生成质量较差的连接组，尤其是在多分类任务中，这主要是由于设计的时域模型特征提取能力较弱以及生成连接组的利用不足。
在本文中，提出了一种用于AD分析的具有大核的连接组生成网络（CGLK-GNN），通过构建更现代和强大的CNN模块来提取时间特征，并增强生成连接组在图神经网络中的重要性。具体来说，设计了一种大核卷积神经网络（LKCNN），利用大卷积核和解耦卷积，最初由Liu等人（2022年）引入，并在ModernTCN（Luo和Wang，2024年）中进一步验证了其在时间领域的有效性，用于从每个ROI提取时间特征并计算基于任务的连接组。这是首次将这种大核、解耦卷积应用于AD分析中的鲁棒BOLD信号处理，优化了非欧几里得fMRI数据的时间特征提取。与之前的方法相比，大卷积核可以获得更大的感受野，而设计的解耦卷积结构整体上模仿了Transformer（Vaswani等人，2017年），增强了模型的表达能力。为了突出LKCNN学习的时间相关性，生成的连接组被创新地作为节点特征的重要组成部分纳入图构建中。这超越了传统的功能连接性计算，实现了数据驱动的连接组构建，同时丰富了节点特征和边权重，比仅使用连接组作为静态边权重或仅建模节点特征的方法有了显著进步。CGLK-GNN通过结合生成的FC特征和原始FC特征，强调了节点特征表示的关键作用，显著增强了生成连接组的重要性，并改进了图表示的学习。此外，GNN预测器应用了跨层连接，将初始生成的图与后续GNN层的特征结合作为输出组件，形成了一个独特的级联GNN架构，全面整合了多尺度时空特征信息，突出了初始生成图的丰富内在细节。这一设计显著提高了AD分类的准确性。
本文的贡献总结如下：
1.提出了一种基于图的GNN架构（CGLK-GNN），用于fMRI上的AD多分类，以提取丰富的时间特征并更有效地利用连接组。
2.特别引入了LKCNN，用于从fMRI的大脑图中提取时间序列数据特征，它获得了比先前架构更大的感受野和更高效的特征提取能力。
3.通过新颖的节点特征构建和特定的跨层连接，强调了生成连接组在GNN预测器中的关键作用，显著增强了模型对生成连接组的利用。
4.在公共医学数据集Alzheimer’s Disease Neuroimaging Initiative（ADNI）和Open Access Series of Imaging Studies（OASIS）上的实验结果表明，CGLK-GNN达到了最先进的性能。还进行了广泛的消融实验，以讨论我们方法中提出的模块的有效性。
本文的其余部分组织如下。第2节介绍了不同GNN方法的相关工作。第3节详细介绍了CGLK-GNN的架构。第4节描述了CGLK-GNN在ADNI和OASIS-3数据集上的实验结果，并与其他方法进行了比较，消融实验表明了所提出模块的有效性。第5节对方法进行了讨论，并分析了生成图与现有AD相关大脑研究的关联。最后，我们在第6节总结了本文并提出了进一步研究的建议。
