近日，深圳大學(xué)醫(yī)學(xué)部生物醫(yī)學(xué)工程學(xué)院助理教授張力在國(guó)際知名學(xué)術(shù)期刊Medical Image Analysis（中科院一區(qū)TOP，影響因子11.8）發(fā)表了最新研究成果，論文題目為 “GraSTI-ACL: Graph Spatial-Temporal Infomax with Adversarial Contrastive Learning for Brain Disorders Diagnosis Based on Resting-State fMRI”。深圳大學(xué)2023級(jí)研究生何彪為論文獨(dú)立第一作者，張力為獨(dú)立通訊作者，深圳大學(xué)為第一作者單位及通訊作者單位。

靜息態(tài)功能磁共振成像（rs-fMRI）因其豐富的空間與時(shí)間分辨率，在腦疾病研究與臨床輔助診斷中展現(xiàn)出巨大潛力。然而，如何在構(gòu)建功能連接網(wǎng)絡(luò)時(shí)兼顧空間與時(shí)間動(dòng)態(tài)特征，并有效避免冗余信息，是該領(lǐng)域長(zhǎng)期存在的挑戰(zhàn)。

針對(duì)上述問(wèn)題，該論文基于信息瓶頸理論，提出了一種新型圖學(xué)習(xí)方法GraSTI-ACL。該方法通過(guò)圖空間–時(shí)間互信息增強(qiáng)策略、拓?fù)渥⒁饬幋a器以及對(duì)抗式對(duì)比學(xué)習(xí)框架，有效平衡了信息冗余與必要特征的獲取，顯著提升了腦疾病診斷的準(zhǔn)確性和魯棒性。

在阿爾茨海默病、重度抑郁障礙和雙相情感障礙三類(lèi)臨床數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)結(jié)果顯示，GraSTI-ACL在準(zhǔn)確率、敏感性和AUC等關(guān)鍵指標(biāo)上均優(yōu)于現(xiàn)有主流模型，驗(yàn)證了新方法在多種腦疾病診斷場(chǎng)景下的廣泛適用性與可解釋性。該成果不僅為功能磁共振影像的智能化建模提供了新的理論框架，也為復(fù)雜腦疾病的早期診斷和臨床輔助決策提供了有力支持。

該研究的源代碼已公開(kāi)：https://github.com/BiaoHe2025/GraSTIACL

該研究獲得國(guó)家自然科學(xué)基金等項(xiàng)目資助。

論文鏈接：https://doi.org/10.1016/j.media.2025.103815