KSNet：通过基于KAN的图卷积和多源数据融合提升自闭症预测能力

自闭症谱系障碍（ASD）的脑网络分析中，KSNet框架通过KANGCN模块引入B样条非线性建模，结合SRGCN模块融合年龄性别等多模态数据，构建跨个体关系图，在AAL116和CC200脑图谱验证下，分类准确率提升13.8%，AUC提升12.4%，且生物标志物与现有研究高度吻合。

王闯|李东艳|孙思翔|刘俊丽|李媛媛

大连交通大学铁路智能工程学院，中国大连116028

摘要

将功能性脑网络与图卷积网络（GCN）架构相结合，展现出在脑部疾病诊断方面的巨大潜力。现有的方法在捕捉动态非线性、表征复杂的连接组以及融合异构数据源时仍存在局限性。为了解决这些问题，我们提出了基于图卷积网络的KSNet新架构。我们的设计将KAN衍生的图卷积（KANGCN）与主体关系卷积（SRGCN）相结合。KANGCN模块利用B样条函数实现对高维非线性神经图谱的可处理优化。此外，我们还实现了选择性节点保留，以增强生物学相关区域并减弱噪声连接。SRGCN将年龄和性别等表型特征与KANGCN派生的功能连接性表示相结合，构建了个体间关系图。该模型采用可训练的层次化架构，能够自适应地聚合多尺度特征，从而提升其区分能力。使用AAL116和CC200脑图谱进行的实验结果显示，在关键性能指标上取得了显著提升。具体而言，KSNet的分类准确率提高了13.8%，接收者操作特征曲线下面积（AUC）提高了12.4%。值得注意的是，KSNet识别的生物标志物与现有ASD研究文献中报告的标志物高度吻合，为临床ASD诊断提供了新的生物学解释支持。

引言

自闭症谱系障碍（ASD）是一种神经发育障碍，其特征是社交沟通缺陷、互动能力受损以及重复性行为（Steer等人，2010年）。目前，ASD的诊断主要依赖于行为观察和临床评估。然而，这种方法缺乏客观的生物标志物，并且容易受到临床经验的影响（Okoye等人，2023年；Qin等人，2024年）。功能性磁共振成像（fMRI）的发展为早期ASD检测开辟了新的途径。fMRI能够无创地监测静息状态下的脑活动，并分析脑区之间的功能连接性，从而揭示ASD患者的网络异常（Li等人，2020年；Power等人，2012年）。脑网络分析已成为研究ASD的宝贵工具，通过连接性映射和图论指标比较ASD患者与神经典型个体的网络拓扑结构，有助于识别潜在的生物标志物（Li等人，2022年；Peng等人，2022年）。然而，脑网络的异质性和多中心数据集中的固有噪声给识别稳定可靠的生物标志物带来了挑战（Wen等人，2022年）。

生物信息学与深度学习的结合成为一个变革性领域，推动了复杂生物数据分析的显著进步（Yang等人，2026年）。近年来，深度学习技术越来越多地应用于基于神经影像数据的ASD诊断。从建模角度来看，现有方法大致可以分为基于向量的模型、规则网格上的卷积模型和图结构模型。每种方法在表征脑网络属性方面都有互补的优势，但也存在固有的局限性。多层感知器（MLP）模型通过将扁平化的功能连接性矩阵或区域级特征映射到诊断标签上来实现ASD分类，提供了简单高效的基线（Sachdeva等人，2024年）。然而，扁平化过程将脑区视为无序的特征集，这削弱了对区域间拓扑结构的显式建模。卷积神经网络（CNN）利用欧几里得网格上的空间局部性有效提取特征，尤其适用于结构性MRI或体素级fMRI数据。然而，直接将CNN应用于连接组数据并不理想，因为强制图像般的邻域可能与脑区之间的非欧几里得关系不一致（Kaur等人，2021年；Lakhan等人，2023年；Tao等人，2019年）。基于Transformer的模型通过自注意力机制处理长距离依赖性，但其有效性很大程度上取决于连接性或图表示的设计，并且可能对上游处理选择敏感（Datta等人，2022年；Deng等人，2022年）。基于扩散的方法通过迭代生成或增强连接性表示来缓解样本量有限的问题，但其临床实用性取决于合成连接组是否保留了有意义的模式而不引入伪影（Travers等人，2012年）。这些局限性促使人们开发出直接在连接组结构上操作的拓扑感知图学习框架，以实现更可靠的ASD预测。

图卷积网络（GCN）在脑连接组建模中越来越受欢迎，因为它们能够直接聚合邻域信息并沿图结构传播节点特征（Kipf和Welling，2016年）。GCN在学习具有区分性的节点表示的同时保留了脑网络拓扑结构，使其适用于ASD诊断。先前的研究提出了动态图建模和多视图嵌入方法来捕捉时空变化并提高分类性能。然而，现有的GCN方法面临若干挑战（Guan等人，2024年；Huang和Chung，2020年；Parisot等人，2017年；Wang等人，2023年）：依赖于静态或浅层图结构限制了对复杂交互作用的建模；固定的邻域大小或手动定义的阈值降低了跨数据集的鲁棒性；以及未能充分建模个体变异性和群体间关系，限制了泛化能力和生物学意义。此外，许多流程在应用基于线性变换的消息传递之前将BOLD时间序列简化为静态连接性，这可能无法捕捉特定区域的非线性交互作用，并且在样本量有限时容易受到交叉站点噪声的影响。最近在KAN方面的进展提供了一种有前景的替代方案，即用自适应的基于样条的非线性变换替换固定激活函数。在生物图学习领域，Zhang等人（2026年）证明了KAN增强图注意力网络（KA4GANC）在建模复杂基因调控网络方面的有效性，表明基于KAN的卷积可以有效保留拓扑结构的同时学习非线性模式。

为了解决这些关键问题，并受到KAN增强生物图学习进展的启发，我们提出了一种新的图卷积网络框架KSNet，该框架增强了非线性建模能力，并在脑网络分析中整合了群体级信息。在特征提取层，KSNet引入了KANGCN模块，用基于Kolmogorov-Arnold表示定理的可学习B样条函数替换了传统GCN中的固定激活函数。这使得每条边能够独立建模非线性变换，从而更准确地捕捉脑区之间的复杂功能交互作用。与现有的基于KAN的图模型相比，KANGCN将函数逼近嵌入到图卷积层中，显著提高了非线性建模能力，同时保持了脑网络拓扑的生物学合理性。在多模态融合层，SRGCN模块通过将表型信息（如年龄和性别）编码到个体间亲和图中，然后与功能连接性相似性融合，形成关系群体图，克服了传统特征连接的局限性。SRGCN采用层次化图卷积和可学习的权重聚合，自适应地整合了多个层面的表示，实现了功能成像和表型数据的深度融合。本研究的主要贡献可以总结如下：(1)

我们提出了KANGCN，它结合了Kolmogorov–Arnold网络进行可解释的函数逼近，改善了特征传播过程中的非线性脑连接模式建模。

(2)

我们引入了一种节点选择机制，以简化图结构并识别具有区分性的脑区，为ASD生物标志物的发现提供了定量证据。

(3)

SRGCN通过结合表型属性和连接性派生的表示，构建了跨个体的异质图，采用层次化融合策略实现多源信息的深度整合，从而增强了模型捕捉具有区分性的ASD模式的能力。

(4)

所提出的KSNet框架通过识别与现有医学研究中报告的关键生物标志物位置高度一致的ASD相关脑区，提供了强有力的见解。

本文的其余部分组织如下。第2节简要介绍了科学背景。第3节详细描述了所提出的方法。第4节通过消融研究评估了KSNet关键组件的有效性，并将其与几种现有的ASD预测方法进行了比较。最后，第5节总结了本文并概述了未来的研究方向。

章节摘录

Kolmogorov-Arnold网络

KAN（Liu等人，2024年）在机器学习研究中受到了广泛关注。该定理表明，任何连续的多变量函数都可以表示为有限个单变量函数和加法运算的复合。图1直观地比较了MLP和KAN的架构。与传统使用固定激活函数处理加权输入总和的MLP不同，KAN明确地将高维函数分解为

概述

本研究提出了一个多源特征融合框架，用于整合fMRI和表型数据以进行ASD预测和潜在神经生物学生物标志物的识别。如图2所示，该框架系统地实现了从BOLD信号构建功能网络、通过KANGCN进行特征抽象、通过SRGCN进行关系建模和嵌入学习以及最终诊断分类的工作流程。

数据采集和预处理

KSNet模型在Autism Brain Imaging Data Exchange（ABIDE）数据集（Di等人，2014年）上进行了严格评估，该数据集是一个包含17个国际站点的多机构合作项目。ABIDE提供了开放获取的静息状态fMRI、解剖扫描和表型数据，为自闭症谱系障碍研究提供了全面的神经影像资源。我们使用Connectome Computation System（CCS）进行了标准预处理。

结论

本文提出了KSNet，这是一种用于ASD诊断和生物标志物识别的图神经网络框架，通过KANGCN和SRGCN两个模块将脑网络分析与表型信息相结合。KSNet在ABIDE数据集上的表现显著优于现有的ASD诊断方法，包括传统的机器学习方法和基于GCN的方法。消融分析表明，KANGCN主要通过非线性建模增强了图内特征表示，而SRGCN

写作过程中生成式AI和AI辅助技术的声明

在准备这项工作时，我们使用了ChatGPT来提高文章的可读性和语言表达。使用该工具后，我们根据需要对内容进行了审查和编辑，并对发表文章的内容负全责。

CRediT作者贡献声明

王闯：撰写——原始草稿、可视化、验证、数据整理。李东艳：撰写——审阅与编辑、监督、资源管理、项目协调。孙思翔：资源提供、形式分析。刘俊丽：数据收集、概念构思。李媛媛：资源提供、项目协调、概念构思。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了辽宁省教育厅基础科学研究项目（JYTMS20230011）的支持。