近期，医学部生物医学工程学院汪天富教授团队的研究成果《Graph Convolutional Network with Similarity Awareness and Adaptive Calibration for Disease-induced Deterioration Prediction》在医学图像分析领域顶级期刊Medical Image Analysis（2020年IF=11.1）发表。论文通讯作者是雷柏英副教授，第一作者是宋雪刚博士，深圳大学为第一署名单位。

   对阿尔茨海默氏病的早期阶段（即轻度认知障碍）的检测对于最大化延缓或预防进展为阿尔茨海默病非常重要。从医学成像数据推断出的脑连接网络已普遍用于区分轻度认知障碍患者和正常对照。但是，现有自动诊断方法的性能仍然有限，分类仍然主要基于单模态影像数据并且受限于训练样本的不足。而临床诊断方法主要依赖于医生的诊断，主观性较强，常在疾病后期才能确诊，影响患者治疗。

该研究提出了一种新的双模态分类算法，该算法通过设计的新型图卷积神经网络建立群体之间的联系，达到修正样本特征的作用，从而一定程度上改善了样本不足的缺陷，提出的双模态网络结构具有很高的鲁棒性。该研究主要有3个贡献：首先，提出了相似性觉醒算法将训练样本的疾病状态融入到图的构建当中，提高了卷积滤波的效果；其次，提出的自适应机制利用初步训练的图卷积神经网络估计边权重的大小，进一步改善了卷积滤波的效果；最后，设计平衡机制融合功能性磁共振成像(fMRI)的功能数据及弥散张量成像(DTI)的结构数据进行最终的疾病分类。此外，该研究分析了正常组及患病组的脑区特征，并详细分析了图卷积神经网络对其的影响，为图卷积神经网络在脑疾病分类中的应用提供了坚实的基础。实验结果表明，该研究方法具有很高的分类精度，可以有效地区分轻度认知障碍的不同子阶段，并鉴别出疾病最相关脑网络连接和脑区，在临床上具有意义，可用于辅助医师提高诊断精度。

该研究获得了国家自然科学基金、广东省自然科学基金、深圳市孔雀计划等项目资助。

提出的早期阿尔茨海默病自动诊断模型的流程图

提出的三种技术对图网络结构邻接矩阵的影响

Top30可区别脑网络连接